HubISC: um novo algoritmo baseado em hubness para a classificação de fluxo de dados de imagens
Resumo
A classificação de fluxo de dados de imagens apresenta vários desafios. Um dos desafios inerente ao domínio de dados de imagens é a alta dimensionalidade dos dados, que pode ocasionar a chamada maldição da dimensionalidade. Trabalhos aplicados em outros contextos empregam de forma eficiente um aspecto, denominado hubness, inerente de dados de alta dimensão. Este artigo apresenta um novo algoritmo para a classificação de fluxo de dados de imagens, que incorpora o aspecto hubness. Os resultados dos experimentos mostram uma boa relação de custo e benefício do algoritmo em termos de eficácia e da porcentagem de instâncias rotuladas em relação aos algoritmos comumente usados para a classificação de fluxos de dados de imagens.
Palavras-chave:
Classificação de fluxo de dados de imagens, Hubness, Alta dimensionalidade
Referências
Alzubaidi, L., Zhang, J., Humaidi, A. J., Al-dujaili, A., Duan, Y., Al-Shamma, O., Santamaria, J., Fadhel, M. A., Al-Amidie, M., and Farhan, L. (2021). Review of deep learning: concepts, cnn architectures, challenges, applications, future directions. Journal of Big Data, 8. DOI: 10.1186/s40537-021-00444-8.
Castro, F. M., Marin-Jimenez, M. J., Guil, N., Schmid, C., and Alahari, K. (2018). End-to-end incremental learning. In ECCV, pages 241-257, Munich, Germany. Springer. DOI: 10.1007/978-3-030-01258-8 15.
de Lima, M. C., Barioni, M. C. N., Faria, E. R., and Razente, H. L. (2020). Evisclass: a new evaluation method for image data stream classifiers. In ICMLA, pages 399-406. DOI: 10.1109/ICMLA51294.2020.00070.
Hu, J., Sun, Z., Li, B., Yang, K., and Li, D. (2017). Online user modeling for interactive streaming image classification. In MMM, pages 293-305, Reykjavik, Iceland. Springer. DOI: 10.1007/978-3-319-51814-5 25.
Mani, P., Vazquez, M., Metcalf-Burton, J., Domeniconi, C., Fairbanks, H., Bal, G., Beer, E., and Tari, S. (2019). The hubness phenomenon in high-dimensional spaces. AWMS, pages 15-45. DOI: 10.1007/978-3-030-11566-1 2.
Nguyen, H.-L., Woon, Y.-K., and Ng, W.-K. (2015). A survey on data stream clustering and classification. Knowl.Inf.Syst., 45(3):535-569. DOI:10.1007/s10115-014-0808-1.
Parreira, P. and Prati, R. (2019). Active learning in data stream with intermediate latency. In ENIAC, Salvador, Brazil. DOI: 10.5753/eniac.2019.
Pham, T., Kottke, D., Krempl, G., and Sick, B. (2021). Stream-based active learning for sliding windows under the influence of verification latency. Machine Learning. DOI:10.1007/s10994-021-06099-z.
Rebuffi, S.-A., Kolesnikov, A., Sperl, G., and Lampert, C. H. (2017). iCaRL: Incremental classifier and representation learning. In CVPR, pages 5533-5542, Honolulu, Hawaii. IEEE. DOI: 10.1109/CVPR.2017.587.
Ristin, M., Guillaumin, M., Gall, J., and Gool, L. V. (2014). Incremental learning of ncm forests for large-scale image classification. In CVPR, pages 3654-3661, Columbus, Ohio. IEEE. DOI: 10.1109/CVPR.2014.467.
Romaszewski, M., Glomb, P., and Cholewa, M. (2018). Adaptive, hubness-aware nearest neighbour classifier with application to hyperspectral data. In ISCIS, pages 113-120, Poznan, Polonia. DOI: 10.1007/978-3-030-00840-6_13.
Samet, H. (2005). Foundations of Multidimensional and Metric Data Structures. Morgan Kaufmann.
Silva, J. A., Faria, E. R., Barros, R. C., Hruschka, E. R., Carvalho, A. C. P. L. F. d., and Gama, J. a. (2013). Data stream clustering: A survey. ACM Comput. Surv., 46(1):13:1-13:31. DOI: 10.1145/2522968.2522981.
Tomasev, N., Radovanovic, M., Mladenic, D., and Ivanovic, M. (2014). Hubness-based fuzzy measures for high-dimensional k-nearest neighbor classification. Int. J. Mach. Learn. e Cyber., 5:445-458. DOI: 10.1007/s13042-012-0137-1.
Wang, H., Zhou, Z., Wang, Y., and Yan, X. (2021). Feature selection for image classification based on bacterial colony optimization. In ICSI, page 430-439, Qingdao, China. Springer. DOI: 10.1007/978-3-030-78811-7 40.
Wang, Z., Kong, Z., Changra, S., Tao, H., and Khan, L. (2019). Robust high dimensional stream classification with novel class detection. In ICDE, pages 1418-1429, Macao, Macao. IEEE. DOI: 10.1109/ICDE.2019.0012.
Wu, Q., Lin, Y., Zhu, T., and Zhang, Y. (2020). Hiboost: A hubness-aware ensemble learning algorithm for high-dimensional imbalanced data classification. J. Intell. Fuzzy Syst., 39:1-12. DOI: 10.3233/JIFS-190821.
Zliobaite, I., Bifet, A., Pfahringer, B., and Holmes, G. (2014). Active learning with drifting streaming data. TNNLS, 25(1):27-39. DOI: 10.1109/TNNLS.2012.2236570.
Castro, F. M., Marin-Jimenez, M. J., Guil, N., Schmid, C., and Alahari, K. (2018). End-to-end incremental learning. In ECCV, pages 241-257, Munich, Germany. Springer. DOI: 10.1007/978-3-030-01258-8 15.
de Lima, M. C., Barioni, M. C. N., Faria, E. R., and Razente, H. L. (2020). Evisclass: a new evaluation method for image data stream classifiers. In ICMLA, pages 399-406. DOI: 10.1109/ICMLA51294.2020.00070.
Hu, J., Sun, Z., Li, B., Yang, K., and Li, D. (2017). Online user modeling for interactive streaming image classification. In MMM, pages 293-305, Reykjavik, Iceland. Springer. DOI: 10.1007/978-3-319-51814-5 25.
Mani, P., Vazquez, M., Metcalf-Burton, J., Domeniconi, C., Fairbanks, H., Bal, G., Beer, E., and Tari, S. (2019). The hubness phenomenon in high-dimensional spaces. AWMS, pages 15-45. DOI: 10.1007/978-3-030-11566-1 2.
Nguyen, H.-L., Woon, Y.-K., and Ng, W.-K. (2015). A survey on data stream clustering and classification. Knowl.Inf.Syst., 45(3):535-569. DOI:10.1007/s10115-014-0808-1.
Parreira, P. and Prati, R. (2019). Active learning in data stream with intermediate latency. In ENIAC, Salvador, Brazil. DOI: 10.5753/eniac.2019.
Pham, T., Kottke, D., Krempl, G., and Sick, B. (2021). Stream-based active learning for sliding windows under the influence of verification latency. Machine Learning. DOI:10.1007/s10994-021-06099-z.
Rebuffi, S.-A., Kolesnikov, A., Sperl, G., and Lampert, C. H. (2017). iCaRL: Incremental classifier and representation learning. In CVPR, pages 5533-5542, Honolulu, Hawaii. IEEE. DOI: 10.1109/CVPR.2017.587.
Ristin, M., Guillaumin, M., Gall, J., and Gool, L. V. (2014). Incremental learning of ncm forests for large-scale image classification. In CVPR, pages 3654-3661, Columbus, Ohio. IEEE. DOI: 10.1109/CVPR.2014.467.
Romaszewski, M., Glomb, P., and Cholewa, M. (2018). Adaptive, hubness-aware nearest neighbour classifier with application to hyperspectral data. In ISCIS, pages 113-120, Poznan, Polonia. DOI: 10.1007/978-3-030-00840-6_13.
Samet, H. (2005). Foundations of Multidimensional and Metric Data Structures. Morgan Kaufmann.
Silva, J. A., Faria, E. R., Barros, R. C., Hruschka, E. R., Carvalho, A. C. P. L. F. d., and Gama, J. a. (2013). Data stream clustering: A survey. ACM Comput. Surv., 46(1):13:1-13:31. DOI: 10.1145/2522968.2522981.
Tomasev, N., Radovanovic, M., Mladenic, D., and Ivanovic, M. (2014). Hubness-based fuzzy measures for high-dimensional k-nearest neighbor classification. Int. J. Mach. Learn. e Cyber., 5:445-458. DOI: 10.1007/s13042-012-0137-1.
Wang, H., Zhou, Z., Wang, Y., and Yan, X. (2021). Feature selection for image classification based on bacterial colony optimization. In ICSI, page 430-439, Qingdao, China. Springer. DOI: 10.1007/978-3-030-78811-7 40.
Wang, Z., Kong, Z., Changra, S., Tao, H., and Khan, L. (2019). Robust high dimensional stream classification with novel class detection. In ICDE, pages 1418-1429, Macao, Macao. IEEE. DOI: 10.1109/ICDE.2019.0012.
Wu, Q., Lin, Y., Zhu, T., and Zhang, Y. (2020). Hiboost: A hubness-aware ensemble learning algorithm for high-dimensional imbalanced data classification. J. Intell. Fuzzy Syst., 39:1-12. DOI: 10.3233/JIFS-190821.
Zliobaite, I., Bifet, A., Pfahringer, B., and Holmes, G. (2014). Active learning with drifting streaming data. TNNLS, 25(1):27-39. DOI: 10.1109/TNNLS.2012.2236570.
Publicado
19/09/2022
Como Citar
DE LIMA, Mateus C.; FARIA, Elaine R.; BARIONI, Maria Camila N..
HubISC: um novo algoritmo baseado em hubness para a classificação de fluxo de dados de imagens. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 37. , 2022, Búzios.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 138-150.
ISSN 2763-8979.
DOI: https://doi.org/10.5753/sbbd.2022.224318.
