Um algoritmo de nuvem de partículas para combinação de classificadores em aprendizado multi-visão

• Autor(a) principal: Zilton Jose Maciel Cordeiro Junior
• Data de Publicação: 2011
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/SLSS-8GQMAX
• topic: Aprendizado multi-visão; Classificação; Otimização por nuvem de partículas; Combinação de classificadores; Computação

O aprendizado multi-visão ou multi-modalidade está se tornando cada vez mais popular, por fornecer diferentes representações de um problema a partir das quais se pode aprender. Dada a tarefa de classificação de vídeo, por exemplo, o som, a imagem e as legendas poderiam ser consideradas visões.A ideia principal do aprendizado multi-visão é que, ao aprender a partir dessas representações separadamente, pode-se obter previsões melhores do que ao agregar todas essas visões em uma única base de dados. Porém, um modelo de classificação é criado para cada visão, e as saídas disponibilizadas por cada um deles deve ser combinada para fornecer uma classe final para cada instância. Esta dissertação propõe um algoritmo de Otimização por Nuvem de Partícula (PSO) para combinar as saídas advindas de diferentes classificadores. O PSO trabalha em dois contextos: o primeiro leva em consideração somente a classe/confiança atribuída por um classificador na categorização de uma instância, aplicando pesos a cada visão. O segundo, além de atribuir pesos às visões, atribui também pesos a cada classe. Experimentos foram feitos em duas bases de dados, com três visões cada, e comparados com três diferentes métodos existentes na literatura: o voto da maioria, o algoritmo de Borda Count e a teoria de Dempster-Shafer. Além desses, foi feita uma comparação com a abordagem que utiliza todas as visões juntas em uma única base de dados. Na grande maioria dos experimentos, o PSO obteve resultados estatisticamente melhores que as outras abordagens avaliadas.