Classificação de Alto Nível Baseada em Entropia da Rede

• Filipe Alves Neto USP
• Liang Zhao USP

Resumo

Técnicas tradicionais de classificação que baseiam-se apenas em características físicas dos dados são chamadas de classificação de baixo nível. Se consideram, além dos atributos físicos, o padrão de formação, chamamos de classificação de alto nível. Apresenta-se aqui o projeto de iniciação científica que propõe o desenvolvimento de uma nova técnica de classificação de alto nível baseada na medição das entropias da rede antes e depois da inserção de um item a ser classificado. Este item é classificado como pertencente à classe que resultar o maior aumento nas medições. O método pode classificar os dados por sua similaridade e padrão de formação. Em resumo, esta técnica calcula a importância do dado para cada uma das classes.

Referências

Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Information Science and Statistics). Springer-Verlag New York, Inc., Secaucus, NJ, USA.

Boccaletti, S., Latora, V., Moreno, Y., Chavez, M., e Hwang, D. (2006). Complex networks: Structure and dynamics. Physics reports, 424(4):175–308.

Costa, L. F., Rodrigues, F. A., Travieso, G., e Boas, P. R. V. (2005). Characterization of complex networks: A survey of measurements. Advances in Physics, 56(1):167–242.

Demetrius, L. e Manke, T. (2005). Robustness and network evolution an entropic principle. Physica A: Statistical Mechanics and its Applications, 346(3):682–696.

Frank, A. e Asuncion, A. (2010). UCI machine learning repository.

Kolmogorov, A. N. (1958). A new metric invariant of transient dynamical systems and automorphisms in Lebesgue spaces. Dokl. Akad. Nauk SSSR (N.S.), 119:861–864.

Lovász, L. (1996). Random walks on graphs: A survey. In Miklós, D., Sós, V. T., e Szonyi, T., editors, Combinatorics, Paul Erdos is Eighty, volume 2, pages 353–398. János Bolyai Mathematical Society, Budapest.

Mitchell, T. M. (1997). Machine Learning. McGraw-Hill, Inc., New York, NY, USA, 1 edition.

Noh, J. D. e Rieger, H. (2004). Random walks on complex networks. Physical Review Letters, 92:118701.

Ross, S. (2007). Introduction to Probability Models. Academic Press.

Russell, S. J. e Norvig, P. (2003). Articial Intelligence: A Modern Approach. Pearson Education.

Silva, T. C. e Zhao, L. (2012). Network-based high level data classication. Neural Networks and Learning Systems, IEEE Transactions on, 23(6):954–970.

Tang, Y. (2009). Wavelet theory approach to pattern recognition. Series in machine perception and articial intelligence. World Scientic.

Wood, J. (1996). Invariant pattern recognition: a review. Pattern Recognition, 29(1):1–17.