Classificação de Alto Nível Baseada em Redes Complexas

• Ano de defesa: 2023
• Autor(a) principal: Saire, Josimar Edinson Chire
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Algoritmo de colônia de formigas; Algorítmo genético; Ant colony Algorithm; Classificação de alto nível; Classificação de dados; Complex networks; COVID-19; Data classification; Genetic algorithm; High-level classification; Network construction; Redes complexas
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-02022024-172326/

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.