| Resumo: |
A classificação de dados desempenha um papel crucial no campo do aprendizado de máquina. Enquanto as técnicas tradicionais se concentram nas características físicas do conjunto de dados, denominadas classificação de baixo nível, propomos uma abordagem inovadora. Em contraste, o cérebro humano destaca-se na capacidade de discernir objetos com base na organização semântica, inspirando a classificação de alto nível. Apesar do progresso em diversas técnicas, desafios persistem. Neste contexto, apresentamos soluções para enfrentar esses desafios: 1) Em técnicas tradicionais, os testes de confirmação de padrões mostram pouca variabilidade, especialmente em redes de treinamento em grande escala, considerando medidas convencionais como assortatividade e coeficiente de clustering. Introduzimos medidas inovadoras baseadas em ciclos curtos e Minimum Spanning Tree (MST) da rede, ampliando a sensibilidade da confirmação de padrões. 2) Nas técnicas tradicionais, as redes correspondentes a cada classe são construídas com regras locais, como o método dos k Vizinhos Mais Próximos (kNN). Propomos otimizar as redes de treinamento para um desempenho aprimorado. 3) Aplicamos nossa técnica inovadora ao diagnóstico de COVID-19, classificando imagens de raio-X do tórax. Avançamos na precisão e eficácia da classificação de dados de alto nível, especialmente no diagnóstico de COVID-19 por meio de imagens de raio-X do tórax. Esses esforços representam avanços significativos na melhoria das técnicas de classificação, abrindo caminho para aplicações específicas, como o diagnóstico de COVID-19 com imagens de raio-X do tórax. |
|---|
