dc.contributor.author | Sugi Afonso, Luis Claudio | |
dc.date.accessioned | 2020-11-09T11:51:21Z | |
dc.date.available | 2020-11-09T11:51:21Z | |
dc.date.issued | 2020-09-24 | |
dc.identifier.citation | SUGI AFONSO, Luis Claudio. On the advances in pattern recognition using Optimum-Path Forest. 2020. Tese (Doutorado em Ciência da Computação) – Universidade Federal de São Carlos, São Carlos, 2020. Disponível em: https://repositorio.ufscar.br/handle/ufscar/13407. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/13407 | |
dc.description.abstract | Pattern recognition (PR) techniques have been paramount to solve different and complex problems in many fields of study. The basic idea behind PR techniques is to compute a model capable of classifying unknown samples. Pattern recognition can be categorized as problems of (i) supervised, and (ii) unsupervised learning. This categorization is related to the existence or absence of labeled data to support the learning process. The learning process is mandatory for PR techniques to learn the data distribution, and the existence of labeled data is an additional information that helps to build more robust models. Many techniques were proposed and are well-established in the literature. The Optimum-Path Forest (OPF) is a graph-based classifier proposed recently, which comprises the models for supervised, semi-supervised and unsupervised learning. The OPF models dataset samples as nodes of a graph and their connections (edges) are defined by some pre-defined adjacency relation. Although very recent, OPF has already been employed in numerous applications and showed promising results, and even outperformed other well-known classifiers. Nonetheless, there is still a lot to be investigated, evaluated and proposed concerning the use and performance of the OPF classifier. This dissertation investigates e proposes variations and modifications to the traditional OPF algorithms concerning supervised and unsupervised learning aiming the assessment of its performance in not yet explored scenarios and to overcome its drawbacks. | eng |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | por |
dc.language.iso | eng | eng |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Floresta de Caminhos Ótimos | por |
dc.subject | Reconhecimento de padrões | por |
dc.subject | Aprendizado de máquina | por |
dc.subject | Optimum-Path Forest | eng |
dc.subject | Pattern Recognition | eng |
dc.subject | Machine Learning | eng |
dc.title | On the advances in pattern recognition using Optimum-Path Forest | eng |
dc.title.alternative | Avanços em reconhecimento de padrões usando Floresta de Caminhos Ótimos | por |
dc.type | Tese | por |
dc.contributor.advisor1 | Papa, João Paulo | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/9039182932747194 | por |
dc.description.resumo | Técnicas de reconhecimento de padrões (RP) têm sido de grande importância para a solução de muitos problemas de diversos níveis de complexidade e áreas de estudo. A ideia por trás das técnicas de RP está em criar modelos capazes de classificar elementos nunca vistos. Basicamente, os problemas de reconhecimento de padrões podem ser divididos em duas categorias: problemas de aprendizado (i) supervisionado e (ii) não-supervisionado. Essas categorias estão relacionadas com a existência ou não de elementos rotulados para auxiliar no ``aprendizado" dos algoritmos de RP. Um conjunto de elementos de treinamento é fundamental para que as técnicas de RP sejam capazes de identificar padrões existentes, e a presença de dados rotulados pode auxiliar na criação de modelos mais robutos. Muitas técnicas foram desenvolvidas para lidar com tais problemas e estão bem-estabelecidas na literatura. Uma técnica desenvolvida recentemente diz respeito ao classificador baseado em grafos denominado Floresta de Caminhos Ótimos (OPF - \emph{Optimum-Path Forest}), o qual possui as versões de aprendizado supervisionado, semi-supervisionado e não-supervisionado. OPF modela as amostras de um conjunto de dados como sendo os nós de um grafo e as conexões (arestas) são definidas a partir de uma relação de adjacência pré-definida. Apesar de ser uma abordagem recente, OPF já foi empregado em inúmeras aplicações distintas e tem apresentado resultados promissores e superando até mesmo técnicas bem estabelecidas na literatura. Contudo, ainda há muito a ser estudado, avaliado e proposto com relação ao uso e desempenho do classificador em questão. Este trabalho de qualificação investiga e propõe variações e alterações no algoritmo tradicional do OPF das versões de aprendizado supervisionado e não-supervisionado com os objetivos de avaliar seu desempenho em pontos ainda não explorados e superar algumas de suas deficiências. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação - PPGCC | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | por |
dc.description.sponsorshipId | CAPES: Código de Financiamento 001 | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/0686979081263816 | por |