Mineração de redes complexas k-partidas (2022)
- Authors:
- Autor USP: GÓES, FABIANA RODRIGUES DE - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- DOI: 10.11606/T.55.2022.tde-01032023-083454
- Subjects: APRENDIZADO COMPUTACIONAL; MINERAÇÃO DE DADOS; REDES COMPLEXAS
- Keywords: Aprendizado de representação; k-partite networks; Machine learning; Propagação em grafos; Propagation in graphs; Redes k-partidas; Representation learning
- Agências de fomento:
- Language: Português
- Abstract: Nos dias atuais, há uma grande quantidade de dados sendo produzida e disponibilizada diariamente. Como consequência, a organização e extração de informações úteis de forma manual a partir destes dados exige um grande esforço de especialistas. Deste modo, métodos computacionais de aprendizado de máquina e mineração de dados têm ganhado destaque, pois possibilitam a extração automática de conhecimento de grandes volumes de dados para resolver tarefas complexas em diversos contextos e aplicações. Em paralelo, Redes Complexas tornou-se uma importante área de pesquisa, principalmente, em razão da sua eficiência em modelar inúmeros sistemas da natureza e da sociedade. As redes k-partidas são casos particulares das redes heterogêneas, pois representam vértices de diferentes tipos que podem ser divididos em k conjuntos disjuntos. Esse tipo de rede é relevante para estudar diversos sistemas do mundo real, visto que modela os padrões intrínsecos das conexões entre diferentes tipos de objetos, o que não é naturalmente possível obter com as redes homogêneas. Os métodos de aprendizado de representação baseados em redes buscam aprender representações numéricas compactas que conservem as características intrínsecas e capturem informações latentes dos relacionamentos entre os vértices das redes. Técnicas do aprendizado de máquina mostram que diferentes visões de dados tendem a contribuir entre si, favorecendo o aprendizado. Pode-se, portanto, assumir uma rede k-partida como um conjunto dediferentes visões bipartidas, relacionadas entre si, que possibilitam a troca de informações. Assim, esta tese propõe abordagens baseadas na transferência de informações entre diferentes camadas de redes k-partidas, utilizando como base um método de propagação em redes bipartidas, para problemas de aprendizado não supervisionado de representação. A fim de demonstrar a importância da proposta, diferentes abordagens foram desenvolvidas para contextos reais que possuem dados que assumem uma estrutura k-partida, como recomendação em sistemas colaborativos de marcação e predição de associação entre lncRNAs e doenças. As análises experimentais mostram resultados promissores nas aplicações abordadas e fornecem indícios para a elaboração de trabalhos futuros. Sendo assim, os achados do trabalho poderão apoiar o desenvolvimento de novos métodos de aprendizado em redes k-partidas e novas abordagens para diversos tipos de dados e aplicações.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2022
- Data da defesa: 15.12.2022
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
GÓES, Fabiana Rodrigues de. Mineração de redes complexas k-partidas. 2022. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2022. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-01032023-083454/. Acesso em: 04 jun. 2024. -
APA
Góes, F. R. de. (2022). Mineração de redes complexas k-partidas (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-01032023-083454/ -
NLM
Góes FR de. Mineração de redes complexas k-partidas [Internet]. 2022 ;[citado 2024 jun. 04 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-01032023-083454/ -
Vancouver
Góes FR de. Mineração de redes complexas k-partidas [Internet]. 2022 ;[citado 2024 jun. 04 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-01032023-083454/ - Characterization of KPC-producing Serratia marcescens in an Intensive Care Unit of a brazilian tertiary hospital
- geneRFinder: gene finding in distinct metagenomic data complexities
- Contextual-lexicon approach for abusive language detection
- HateBR: a large expert annotated corpus of brazilian Instagram comments for offensive language and hate speech detection
- A benchmarking tool for the generation of bipartite network models with overlapping communities
Informações sobre o DOI: 10.11606/T.55.2022.tde-01032023-083454 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas