Exploring Complex Networks: Matrix-based and Multiscale Approaches for Pattern Recognition (2023)
- Authors:
- Autor USP: NEIVA, MARIANE BARROS - ICMC
- Unidade: ICMC
- Sigla do Departamento: FCM
- DOI: 10.11606/T.55.2023.tde-03012024-111728
- Subjects: REDES COMPLEXAS; VISÃO COMPUTACIONAL; DOENÇAS RARAS; PROCESSAMENTO DE IMAGENS
- Keywords: Classificação; Classification; Complex networks; Decomposição de grafos; Graph decomposition; Graph matrices; Matrizes de grafos; Modeling
- Agências de fomento:
- Language: Inglês
- Abstract: Redes complexas são ferramentas essenciais para compreender sistemas interconectados em diversos domínios. Esta tese concentra-se na análise, classificação e modelagem de redes complexas, com o objetivo de extrair insights significativos usando metodologias inovadoras. O estudo explora a classificação de redes complexas, com um enfoque secundário na modelagem de fenômenos reais na área da saúde e análise de formas. O objetivo da pesquisa é desenvolver metodologias inovadoras que superem as técnicas existentes de classificação de redes. Duas principais abordagens são investigadas: a utilização da matriz de adjacência para análise de redes e a aplicação de técnicas multiescala para análise de grafos. A investigação das matrizes de grafos revela resultados promissores, com a ordenação baseada na centralidade dos nós e na similaridade dos nós aprimorando a representação para análise de imagens. Análises quantitativas em diversos conjuntos de dados, incluindo sistemas reais, demonstram acurácias satisfatórias na classificação com baixa parametrização. Além disso, técnicas inspiradas em visão computacional, como a decomposição k-core e a transformada de distância, aprimoram a classificação de grafos e formas. A conclusão deste doutorado em redes complexas também explora a rede ICD-ORPHA do Ministério da Saúde do Brasil. Para lidar com as limitações do sistema ICD-10 para doenças raras, é empregada uma terminologia médica especializada conhecida como ORPHA, que fornece umanomenclatura abrangente especificamente projetada para doenças raras. Essa pesquisa expande o conhecimento sobre a modelagem de redes complexas e sua aplicação na área da saúde por meio de um sistema web interativo. Além disso, durante a pandemia de COVID-19, um modelo proposto baseado no modelo SIR avalia a dinâmica populacional e melhora a compreensão da evolução da pandemia. Essas metodologias oferecem ferramentas valiosas para insights em saúde pública e melhoria no desempenho de classificação. Em conclusão, esta pesquisa avança a análise, classificação e modelagem de redes complexas com metodologias inovadoras. Os resultados têm amplas aplicações em diversos domínios, incluindo redes sintéticas e reais, dados de saúde e análise de formas. Os resultados da pesquisa oferecem soluções práticas para a compreensão de sistemas interconectados e contribuem para o avanço da análise de redes complexas.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2023
- Data da defesa: 05.09.2023
- 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
NEIVA, Mariane Barros. Exploring Complex Networks: Matrix-based and Multiscale Approaches for Pattern Recognition. 2023. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-03012024-111728/. Acesso em: 06 jun. 2024. -
APA
Neiva, M. B. (2023). Exploring Complex Networks: Matrix-based and Multiscale Approaches for Pattern Recognition (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-03012024-111728/ -
NLM
Neiva MB. Exploring Complex Networks: Matrix-based and Multiscale Approaches for Pattern Recognition [Internet]. 2023 ;[citado 2024 jun. 06 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-03012024-111728/ -
Vancouver
Neiva MB. Exploring Complex Networks: Matrix-based and Multiscale Approaches for Pattern Recognition [Internet]. 2023 ;[citado 2024 jun. 06 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-03012024-111728/ - Métodos de pré-processamento de texturas para otimizar o reconhecimento de padrões
- Exploring ordered patterns in the adjacency matrix for improving machine learning on complex networks
- Availability of genetic tests in public health services in Brazil: from the Brazilian Rare Diseases Network
- Distance transform network for shape analysis
- Portal COVID-19 Brasil: monitoramento e análises da situação do coronavírus
- The relevance of digital health strategies to support tuberculosis services in the COVID-19 pandemic context. [Carta]
- Informed consent form automated validation, the brazilian rare disease network case proposal
- Social interaction layers in complex networks for the dynamical epidemic modeling of COVID-19 in Brazil
- National network for rare diseases in Brazil: the computational infrastructure and preliminary results
- Mapping, infrastructure, and data analysis for the brazilian network of rare diseases: protocol for the RARASnet observational cohort study
Informações sobre o DOI: 10.11606/T.55.2023.tde-03012024-111728 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas