Classificação semi-supervisionada com aproximações de campo médio

• Autor(a) principal: Bergamim Júnior, Emílio
• Data de Publicação: 2019
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/235241
• topic: Aprendizado de máquina; Aprendizado semi-supervisionado; Mecânica estatística; Transições de fase; Semi-supervised learning; Statistical mecanics; Phase transitions

Baseado em trabalhos recentes (WANG et al., 2007; LI; WANG, 2016), é proposto um novo método de aprendizado semi-supervisionado mapeando os pontos de um conjunto de dados em um modelo Ising não homogêneo na presença de um campo externo produzido pelos pontos previamente classificados. A classificação de um ponto é então obtida através do sinal do valor médio do spin associado ao mesmo. Essas médias são obtidas a partir de uma aproximação de campo médio conhecida como expansão de Plefka, de forma que obtem-se uma classe de algoritmos semi-supervisionados, cada um correspondente a uma expansão em série de Taylor de uma energia livre. É construído um diagrama de fases desses algoritmos em função de dois hiperparâmetros e verifica-se que o desempenho optimal ocorre numa fase parcialmente ordenada chamada de superparamagnética. Com base nesse resultado, é mostrado como obter classificações com boa precisão em uma região do espaço de hiperparâmetros. Quando comparado a outros métodos baseados em grafos, o método tem desempenho intermediário em três dos quatro conjuntos de dados utilizados e apresenta a melhor eficácia para o outro. Além disso, a abordagem proposta tem bom desempenho computacional, principalmente por ser mais rápida na região de resultado optimal.