Detalhes bibliográficos
| Ano de defesa: |
2024 |
| Autor(a) principal: |
Negri, Juliano Decico |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://www.teses.usp.br/teses/disponiveis/55/55134/tde-09082024-135531/
|
Resumo: |
O estudo das redes complexas evoluiu com a criação de diversas métricas para análises das características das redes e dos respectivos vértices. Entretanto, com o maior volume de dados disponíveis, limites à escalabilidade dos algoritmos atuais para cálculo de medidas em redes se tornaram um gargalo para o estudo das redes. Por esse motivo, a literatura evolui com a criação de aproximações para esses algoritmos. Recentemente, conforme as técnicas de aprendizagem de máquina se tornaram o estado da arte em diversas aplicações referentes às redes complexas, o seu uso para aproximações de medidas foi testado na literatura, mas ainda é limitado. O objetivo deste projeto é avaliar a aplicação de modelos de aprendizagem de máquina para aproximação de medidas de centralidade em termos de qualidade de predição e de generalização da aplicação dos modelos, levando em consideração conjunto de dados de redes com diferentes distribuições. |
