dc.contributor.author | Kirstus, Matheus | |
dc.date.accessioned | 2021-11-23T12:37:03Z | |
dc.date.available | 2021-11-23T12:37:03Z | |
dc.date.issued | 2021-11-16 | |
dc.identifier.citation | KIRSTUS, Matheus. Mapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionado. 2021. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) – Universidade Federal de São Carlos, São Carlos, 2021. Disponível em: https://repositorio.ufscar.br/handle/ufscar/15139. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/15139 | |
dc.description.abstract | The act of representing a dataset in a way that’s more compact and significant is denominated dimensionality reduction. The capacity of building adaptive distance functions to each dataset before classification is known as metric learning. Manifold learning algorithms have been shown to be powerful methods for dimensionality reduction based metric learning, as they extract from the samples non-linear attributes that are relevant for classification. This work proposes K-ISOMAP, a method that uses differential geometry concepts to build a intrinsic distance function to approximate the geodesic distances in the KNN graph using the notion of curvature. By replacing the extrinsic Euclidean distance between neighboring samples by a measure of the variation in the tangent space at each neighborhood, there are signs that the proposed method is more robust against the presence of noise in data. Experimental results with several real world datasets show that the proposed method is capable of producing better classification performance than other dimensionality reduction methods that exist in the literature. | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
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 | Aprendizado de máquina | por |
dc.subject | Aprendizado de variedades | por |
dc.subject | ISOMAP | por |
dc.subject | curvatura | por |
dc.title | Mapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionado | por |
dc.title.alternative | Differential geometry based isometric feature mapping for unsupervised metric learning | eng |
dc.type | TCC | por |
dc.contributor.advisor1 | Levada, Alexandre | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/3341441596395463 | por |
dc.description.resumo | O ato de representar um conjunto de dados de maneira mais compacta e significativa é denominado redução de dimensionalidade. A capacidade de construir funções de distância adaptativas para cada conjunto de dados antes do estágio de classificação é chamada de aprendizado de métricas. Algoritmos de aprendizado de variedades têm se mostrado como poderosos métodos para aprendizado de métricas baseado em redução de dimensionalidade por extrair das amostras atributos não-lineares relevantes para classificação. Este trabalho propõe o K-ISOMAP, um método que utiliza conceitos de geometria diferencial para construir uma função de distância intrínseca aos dados para aproximar as distâncias geodésicas no grafo KNN usando a noção de curvatura. Ao substituir a distância Euclidiana extrínseca entre os amostras vizinhas por uma medida da variação dos espaços tangentes em cada vizinhança, temos indícios de que o método proposto seja mais robusto em relação à ruído presente nos dados. Resultados experimentais com diversos conjuntos de dados reais demonstram que o método proposto é capaz de produzir uma performance de classificação melhor do que outros métodos de redução de dimensionalidade existentes na literatura. | por |
dc.publisher.initials | UFSCar | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/5000381386528629 | por |
dc.publisher.course | Engenharia de Computação - EC | por |