Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 619
Aluno: Marcondes Ricarte da Silva Júnior
Orientador: Prof. Aluizio Fausto Ribeiro Araújo
Título: Mapas Auto-organizáveis Multi-camadas Especialistas com Relevâncias
Intra e Inter-categoria
Data: 27/02/2024
Hora/Local: 8h – Centro de Informática – Auditório Bloco B
Banca Examinadora:
Prof. Hansenclever de França Bassani (UFPE / Centro de Informática)
Prof. Adrien Durand-Petiteville (UFPE / Departamento de Engenharia Mecânica)
Prof. Zhao Liang (USP / Departamento de Computação e Matemática)
Prof. Guilherme de Alencar Barreto (UFC / Departamento de Engenharia de Teleinformática)
Prof. Bruno José Torres Fernandes (UPE / Escola Politécnica de Pernambuco)
RESUMO:
O crescimento exponencial na quantidade e acessibilidade de dados
provenientes de diversas fontes tem gerado uma demanda crescente por
modelos e ferramentas capazes de capturar, armazenar, analisar e visualizar
esses dados.Por exemplo, a habilidade de categorizar cenas é crucial para a
construção de mapas semânticos por robôs, proporcionando-lhes a capacidade
de compreender o contexto do ambiente com conceitos de alto nível. Tarefas
de categorização para mineração de dados ou categorização de objetos também
são muito relevantes e demandadas. A complexidade do agrupamento aumenta
proporcionalmente ao número de amostras, categorias e dimensionalidade dos
dados, levando as métricas de distância a perderem poder de discriminação.
Nesse contexto, apresentamos um algoritmo de agrupamento por subespaço que
aprende uma categoria por vez em um Mapa Auto-organizável (SOM) próprio.
Nosso modelo de SOMs com múltiplas camadas aprende um coeficiente de
relevância intra-categoria para cada dimensão de agrupamento, enfatizando
os atributos mais importantes para a categorização. Cada camada realiza
incorpora também a relevância inter-categoria dos atributos. As amostras
são propagadas entre as camadas por meio de um processo de composição de
amostras com protótipos treinados. Ao final de todas as camadas, é
realizado um refinamento por meio de inferência variacional. Avaliamos o
modelo utilizando conjuntos de dados para mineração, reconhecimento de
objetos e cenas. Comparamos os resultados com modelos que dividem o espaço
por diagrama de Voronoi, famílias de modelos derivados do k-NN e do LVQ.
Nossos experimentos indicam que nosso modelo é competitivo e escalável.
Palavras-chave: Mapas Auto-Organizáveis, Relevâncias, Multi-camadas,
Intra-categoria, Inter-categoria, Categorização de Cenas.
Comentários desativados