Mapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionado
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFSCAR |
Texto Completo: | https://repositorio.ufscar.br/handle/ufscar/15139 |
Resumo: | The act of representing a dataset in a way that’s more compact and significant is denominated dimensionality reduction. The capacity of building adaptive distance functions to each dataset before classification is known as metric learning. Manifold learning algorithms have been shown to be powerful methods for dimensionality reduction based metric learning, as they extract from the samples non-linear attributes that are relevant for classification. This work proposes K-ISOMAP, a method that uses differential geometry concepts to build a intrinsic distance function to approximate the geodesic distances in the KNN graph using the notion of curvature. By replacing the extrinsic Euclidean distance between neighboring samples by a measure of the variation in the tangent space at each neighborhood, there are signs that the proposed method is more robust against the presence of noise in data. Experimental results with several real world datasets show that the proposed method is capable of producing better classification performance than other dimensionality reduction methods that exist in the literature. |
id |
SCAR_6321d4a9466429d6a2ecae71768e1f71 |
---|---|
oai_identifier_str |
oai:repositorio.ufscar.br:ufscar/15139 |
network_acronym_str |
SCAR |
network_name_str |
Repositório Institucional da UFSCAR |
repository_id_str |
4322 |
spelling |
Kirstus, MatheusLevada, Alexandrehttp://lattes.cnpq.br/3341441596395463http://lattes.cnpq.br/5000381386528629ab0cce9f-da5e-41ad-ace0-e00eb65903712021-11-23T12:37:03Z2021-11-23T12:37:03Z2021-11-16KIRSTUS, Matheus. Mapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionado. 2021. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) – Universidade Federal de São Carlos, São Carlos, 2021. Disponível em: https://repositorio.ufscar.br/handle/ufscar/15139.https://repositorio.ufscar.br/handle/ufscar/15139The act of representing a dataset in a way that’s more compact and significant is denominated dimensionality reduction. The capacity of building adaptive distance functions to each dataset before classification is known as metric learning. Manifold learning algorithms have been shown to be powerful methods for dimensionality reduction based metric learning, as they extract from the samples non-linear attributes that are relevant for classification. This work proposes K-ISOMAP, a method that uses differential geometry concepts to build a intrinsic distance function to approximate the geodesic distances in the KNN graph using the notion of curvature. By replacing the extrinsic Euclidean distance between neighboring samples by a measure of the variation in the tangent space at each neighborhood, there are signs that the proposed method is more robust against the presence of noise in data. Experimental results with several real world datasets show that the proposed method is capable of producing better classification performance than other dimensionality reduction methods that exist in the literature.O ato de representar um conjunto de dados de maneira mais compacta e significativa é denominado redução de dimensionalidade. A capacidade de construir funções de distância adaptativas para cada conjunto de dados antes do estágio de classificação é chamada de aprendizado de métricas. Algoritmos de aprendizado de variedades têm se mostrado como poderosos métodos para aprendizado de métricas baseado em redução de dimensionalidade por extrair das amostras atributos não-lineares relevantes para classificação. Este trabalho propõe o K-ISOMAP, um método que utiliza conceitos de geometria diferencial para construir uma função de distância intrínseca aos dados para aproximar as distâncias geodésicas no grafo KNN usando a noção de curvatura. Ao substituir a distância Euclidiana extrínseca entre os amostras vizinhas por uma medida da variação dos espaços tangentes em cada vizinhança, temos indícios de que o método proposto seja mais robusto em relação à ruído presente nos dados. Resultados experimentais com diversos conjuntos de dados reais demonstram que o método proposto é capaz de produzir uma performance de classificação melhor do que outros métodos de redução de dimensionalidade existentes na literatura.Não recebi financiamentoporUniversidade Federal de São CarlosCâmpus São CarlosEngenharia de Computação - ECUFSCarAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessAprendizado de máquinaAprendizado de variedadesISOMAPcurvaturaCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAOMapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionadoDifferential geometry based isometric feature mapping for unsupervised metric learninginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis6006007a7e0654-9ad1-4ee0-9c81-c9ef2f5b0aa3reponame:Repositório Institucional da UFSCARinstname:Universidade Federal de São Carlos (UFSCAR)instacron:UFSCARORIGINALMapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionado.pdfMapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionado.pdfapplication/pdf735613https://repositorio.ufscar.br/bitstream/ufscar/15139/3/Mapeamento%20isom%c3%a9trico%20de%20atributos%20baseado%20em%20geometria%20diferencial%20para%20aprendizado%20de%20m%c3%a9tricas%20n%c3%a3o%20supervisionado.pdf74e5a1d0c0966dffadf5054e3376f325MD53CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufscar.br/bitstream/ufscar/15139/4/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD54TEXTMapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionado.pdf.txtMapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionado.pdf.txtExtracted texttext/plain87354https://repositorio.ufscar.br/bitstream/ufscar/15139/5/Mapeamento%20isom%c3%a9trico%20de%20atributos%20baseado%20em%20geometria%20diferencial%20para%20aprendizado%20de%20m%c3%a9tricas%20n%c3%a3o%20supervisionado.pdf.txt484f73caa9e759bd5c996d885ac9d34eMD55THUMBNAILMapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionado.pdf.jpgMapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionado.pdf.jpgIM Thumbnailimage/jpeg7334https://repositorio.ufscar.br/bitstream/ufscar/15139/6/Mapeamento%20isom%c3%a9trico%20de%20atributos%20baseado%20em%20geometria%20diferencial%20para%20aprendizado%20de%20m%c3%a9tricas%20n%c3%a3o%20supervisionado.pdf.jpgd2f7cdbb2f3bec0582e9731df6cb9434MD56ufscar/151392023-09-18 18:32:20.326oai:repositorio.ufscar.br:ufscar/15139Repositório InstitucionalPUBhttps://repositorio.ufscar.br/oai/requestopendoar:43222023-09-18T18:32:20Repositório Institucional da UFSCAR - Universidade Federal de São Carlos (UFSCAR)false |
dc.title.por.fl_str_mv |
Mapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionado |
dc.title.alternative.eng.fl_str_mv |
Differential geometry based isometric feature mapping for unsupervised metric learning |
title |
Mapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionado |
spellingShingle |
Mapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionado Kirstus, Matheus Aprendizado de máquina Aprendizado de variedades ISOMAP curvatura CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
title_short |
Mapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionado |
title_full |
Mapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionado |
title_fullStr |
Mapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionado |
title_full_unstemmed |
Mapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionado |
title_sort |
Mapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionado |
author |
Kirstus, Matheus |
author_facet |
Kirstus, Matheus |
author_role |
author |
dc.contributor.authorlattes.por.fl_str_mv |
http://lattes.cnpq.br/5000381386528629 |
dc.contributor.author.fl_str_mv |
Kirstus, Matheus |
dc.contributor.advisor1.fl_str_mv |
Levada, Alexandre |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/3341441596395463 |
dc.contributor.authorID.fl_str_mv |
ab0cce9f-da5e-41ad-ace0-e00eb6590371 |
contributor_str_mv |
Levada, Alexandre |
dc.subject.por.fl_str_mv |
Aprendizado de máquina Aprendizado de variedades ISOMAP curvatura |
topic |
Aprendizado de máquina Aprendizado de variedades ISOMAP curvatura CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
dc.subject.cnpq.fl_str_mv |
CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
description |
The act of representing a dataset in a way that’s more compact and significant is denominated dimensionality reduction. The capacity of building adaptive distance functions to each dataset before classification is known as metric learning. Manifold learning algorithms have been shown to be powerful methods for dimensionality reduction based metric learning, as they extract from the samples non-linear attributes that are relevant for classification. This work proposes K-ISOMAP, a method that uses differential geometry concepts to build a intrinsic distance function to approximate the geodesic distances in the KNN graph using the notion of curvature. By replacing the extrinsic Euclidean distance between neighboring samples by a measure of the variation in the tangent space at each neighborhood, there are signs that the proposed method is more robust against the presence of noise in data. Experimental results with several real world datasets show that the proposed method is capable of producing better classification performance than other dimensionality reduction methods that exist in the literature. |
publishDate |
2021 |
dc.date.accessioned.fl_str_mv |
2021-11-23T12:37:03Z |
dc.date.available.fl_str_mv |
2021-11-23T12:37:03Z |
dc.date.issued.fl_str_mv |
2021-11-16 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
KIRSTUS, Matheus. Mapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionado. 2021. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) – Universidade Federal de São Carlos, São Carlos, 2021. Disponível em: https://repositorio.ufscar.br/handle/ufscar/15139. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufscar.br/handle/ufscar/15139 |
identifier_str_mv |
KIRSTUS, Matheus. Mapeamento isométrico de atributos baseado em geometria diferencial para aprendizado de métricas não supervisionado. 2021. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) – Universidade Federal de São Carlos, São Carlos, 2021. Disponível em: https://repositorio.ufscar.br/handle/ufscar/15139. |
url |
https://repositorio.ufscar.br/handle/ufscar/15139 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.confidence.fl_str_mv |
600 600 |
dc.relation.authority.fl_str_mv |
7a7e0654-9ad1-4ee0-9c81-c9ef2f5b0aa3 |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de São Carlos Câmpus São Carlos Engenharia de Computação - EC |
dc.publisher.initials.fl_str_mv |
UFSCar |
publisher.none.fl_str_mv |
Universidade Federal de São Carlos Câmpus São Carlos Engenharia de Computação - EC |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFSCAR instname:Universidade Federal de São Carlos (UFSCAR) instacron:UFSCAR |
instname_str |
Universidade Federal de São Carlos (UFSCAR) |
instacron_str |
UFSCAR |
institution |
UFSCAR |
reponame_str |
Repositório Institucional da UFSCAR |
collection |
Repositório Institucional da UFSCAR |
bitstream.url.fl_str_mv |
https://repositorio.ufscar.br/bitstream/ufscar/15139/3/Mapeamento%20isom%c3%a9trico%20de%20atributos%20baseado%20em%20geometria%20diferencial%20para%20aprendizado%20de%20m%c3%a9tricas%20n%c3%a3o%20supervisionado.pdf https://repositorio.ufscar.br/bitstream/ufscar/15139/4/license_rdf https://repositorio.ufscar.br/bitstream/ufscar/15139/5/Mapeamento%20isom%c3%a9trico%20de%20atributos%20baseado%20em%20geometria%20diferencial%20para%20aprendizado%20de%20m%c3%a9tricas%20n%c3%a3o%20supervisionado.pdf.txt https://repositorio.ufscar.br/bitstream/ufscar/15139/6/Mapeamento%20isom%c3%a9trico%20de%20atributos%20baseado%20em%20geometria%20diferencial%20para%20aprendizado%20de%20m%c3%a9tricas%20n%c3%a3o%20supervisionado.pdf.jpg |
bitstream.checksum.fl_str_mv |
74e5a1d0c0966dffadf5054e3376f325 e39d27027a6cc9cb039ad269a5db8e34 484f73caa9e759bd5c996d885ac9d34e d2f7cdbb2f3bec0582e9731df6cb9434 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFSCAR - Universidade Federal de São Carlos (UFSCAR) |
repository.mail.fl_str_mv |
|
_version_ |
1802136398006845440 |