Aprendizado de máquina baseado em tensores e suas aplicacções para floresta de caminhos ótimos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2015 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNESP |
Texto Completo: | http://hdl.handle.net/11449/136657 http://www.athena.biblioteca.unesp.br/exlibris/bd/cathedra/24-03-2016/000859943.pdf |
Resumo: | Machine learning techniques usually learn some decision surface that separates samples from di erent classes by means of their vectorial representation. However, there exist many applications that might lose important information that are strongly related to the data itself. Additionally, such information has gained importance with the popularity of high-dimensional datasets. As such, works based on Mathematics and Physics, where curvature-based space representations have been used in several application, have gained attention by the machine learning community. Such representations are based on tensors, which keep the original structure of the data, as well as they allow us to use manifolds in curvature-based spaces. This master's dissertation presents a review of the literature with respect to tensor-based machine learning techniques, as well as a brief review about multilinear algebra. We also evaluate the performance of the Optimum-Path Forest classi er (OPF) in tensor-oriented spaces by means of the Multilinear Principal Component Analysis, as well as its comparison against with other related techniques is also performed. It is shown OPF can bene t from such feature space representation in some situations |
id |
UNSP_43669aacfeffc15b0bfa7167a11cd643 |
---|---|
oai_identifier_str |
oai:repositorio.unesp.br:11449/136657 |
network_acronym_str |
UNSP |
network_name_str |
Repositório Institucional da UNESP |
repository_id_str |
2946 |
spelling |
Aprendizado de máquina baseado em tensores e suas aplicacções para floresta de caminhos ótimosComputação - MatematicaProcessamento de imagens - Tecnicas digitaisReconhecimento de padrõesÁlgebra tensorialAprendizado do computadorFloresta de caminhos ótimosComputer science MathematicsMachine learning techniques usually learn some decision surface that separates samples from di erent classes by means of their vectorial representation. However, there exist many applications that might lose important information that are strongly related to the data itself. Additionally, such information has gained importance with the popularity of high-dimensional datasets. As such, works based on Mathematics and Physics, where curvature-based space representations have been used in several application, have gained attention by the machine learning community. Such representations are based on tensors, which keep the original structure of the data, as well as they allow us to use manifolds in curvature-based spaces. This master's dissertation presents a review of the literature with respect to tensor-based machine learning techniques, as well as a brief review about multilinear algebra. We also evaluate the performance of the Optimum-Path Forest classi er (OPF) in tensor-oriented spaces by means of the Multilinear Principal Component Analysis, as well as its comparison against with other related techniques is also performed. It is shown OPF can bene t from such feature space representation in some situationsTécnicas de aprendizado de máquina, usualmente, objetivam aprender alguma superfície que separe amostras de classes diferentes por meio de sua representação vetorial. Entretanto, existem muitas aplicações que podem, eventualmente, perder informações essenciais e inerentes da estrutura dos dados em tal representação e, com o crescimento de base de dados com alta dimensionalidade, essas informações se tornam cada vez mais importantes. Os espaços de representação de dados com curvatura, baseados em trabalhos na area da Matemática e Física, têm despertado interesse por parte da comunidade de aprendizado de máquina com o intuito de resolver tal situação. Esses espaços de representação são baseados em tensores, os quais mantém a estrutura original dos dados, bem como permitem a utilização de variedades em superfícies com curvatura não nula. Esta dissertação de mestrado apresenta uma revisão bibliográfica sobre abordagens de aprendizado de máquina baseadas em tensores, bem como um referencial teórico sobre algebra multilinear. Também e apresentado um estudo da aplicabilidade do classificador Floresta de Caminhos Otimos, do inglês Optimum-Path Forest - OPF, em espaços tensoriais através da técnica Análise de Componentes Principais Multilineares, bem como a comparação dos resultados obtidos com outras técnicas conhecidas na literatura em contexto de reconhecimento em fotos e vídeos. Também foi demonstrado que o OPF pode obter maior acurácia em algumas situações quando se trabalha com características no espaço tensorialConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)Universidade Estadual Paulista (Unesp)Papa, João Paulo [UNESP]Universidade Estadual Paulista (Unesp)Lopes, Ricardo Ricci [UNESP]2016-04-01T17:54:36Z2016-04-01T17:54:36Z2015-08-21info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis50 f. : il., tab.application/pdfLOPES, Ricardo Ricci. Aprendizado de máquina baseado em tensores e suas aplicacções para floresta de caminhos ótimos. 2015. 50 f. Dissertação (mestrado) - Universidade Estadual Paulista Julio de Mesquita Filho, Instituto de Biociências, Letras e Ciências Exatas, 2015.http://hdl.handle.net/11449/136657000859943http://www.athena.biblioteca.unesp.br/exlibris/bd/cathedra/24-03-2016/000859943.pdf33004153073P2Alephreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESPporinfo:eu-repo/semantics/openAccess2023-10-17T06:06:51Zoai:repositorio.unesp.br:11449/136657Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-08-05T15:10:30.535077Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false |
dc.title.none.fl_str_mv |
Aprendizado de máquina baseado em tensores e suas aplicacções para floresta de caminhos ótimos |
title |
Aprendizado de máquina baseado em tensores e suas aplicacções para floresta de caminhos ótimos |
spellingShingle |
Aprendizado de máquina baseado em tensores e suas aplicacções para floresta de caminhos ótimos Lopes, Ricardo Ricci [UNESP] Computação - Matematica Processamento de imagens - Tecnicas digitais Reconhecimento de padrões Álgebra tensorial Aprendizado do computador Floresta de caminhos ótimos Computer science Mathematics |
title_short |
Aprendizado de máquina baseado em tensores e suas aplicacções para floresta de caminhos ótimos |
title_full |
Aprendizado de máquina baseado em tensores e suas aplicacções para floresta de caminhos ótimos |
title_fullStr |
Aprendizado de máquina baseado em tensores e suas aplicacções para floresta de caminhos ótimos |
title_full_unstemmed |
Aprendizado de máquina baseado em tensores e suas aplicacções para floresta de caminhos ótimos |
title_sort |
Aprendizado de máquina baseado em tensores e suas aplicacções para floresta de caminhos ótimos |
author |
Lopes, Ricardo Ricci [UNESP] |
author_facet |
Lopes, Ricardo Ricci [UNESP] |
author_role |
author |
dc.contributor.none.fl_str_mv |
Papa, João Paulo [UNESP] Universidade Estadual Paulista (Unesp) |
dc.contributor.author.fl_str_mv |
Lopes, Ricardo Ricci [UNESP] |
dc.subject.por.fl_str_mv |
Computação - Matematica Processamento de imagens - Tecnicas digitais Reconhecimento de padrões Álgebra tensorial Aprendizado do computador Floresta de caminhos ótimos Computer science Mathematics |
topic |
Computação - Matematica Processamento de imagens - Tecnicas digitais Reconhecimento de padrões Álgebra tensorial Aprendizado do computador Floresta de caminhos ótimos Computer science Mathematics |
description |
Machine learning techniques usually learn some decision surface that separates samples from di erent classes by means of their vectorial representation. However, there exist many applications that might lose important information that are strongly related to the data itself. Additionally, such information has gained importance with the popularity of high-dimensional datasets. As such, works based on Mathematics and Physics, where curvature-based space representations have been used in several application, have gained attention by the machine learning community. Such representations are based on tensors, which keep the original structure of the data, as well as they allow us to use manifolds in curvature-based spaces. This master's dissertation presents a review of the literature with respect to tensor-based machine learning techniques, as well as a brief review about multilinear algebra. We also evaluate the performance of the Optimum-Path Forest classi er (OPF) in tensor-oriented spaces by means of the Multilinear Principal Component Analysis, as well as its comparison against with other related techniques is also performed. It is shown OPF can bene t from such feature space representation in some situations |
publishDate |
2015 |
dc.date.none.fl_str_mv |
2015-08-21 2016-04-01T17:54:36Z 2016-04-01T17:54:36Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
LOPES, Ricardo Ricci. Aprendizado de máquina baseado em tensores e suas aplicacções para floresta de caminhos ótimos. 2015. 50 f. Dissertação (mestrado) - Universidade Estadual Paulista Julio de Mesquita Filho, Instituto de Biociências, Letras e Ciências Exatas, 2015. http://hdl.handle.net/11449/136657 000859943 http://www.athena.biblioteca.unesp.br/exlibris/bd/cathedra/24-03-2016/000859943.pdf 33004153073P2 |
identifier_str_mv |
LOPES, Ricardo Ricci. Aprendizado de máquina baseado em tensores e suas aplicacções para floresta de caminhos ótimos. 2015. 50 f. Dissertação (mestrado) - Universidade Estadual Paulista Julio de Mesquita Filho, Instituto de Biociências, Letras e Ciências Exatas, 2015. 000859943 33004153073P2 |
url |
http://hdl.handle.net/11449/136657 http://www.athena.biblioteca.unesp.br/exlibris/bd/cathedra/24-03-2016/000859943.pdf |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
50 f. : il., tab. application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
dc.source.none.fl_str_mv |
Aleph reponame:Repositório Institucional da UNESP instname:Universidade Estadual Paulista (UNESP) instacron:UNESP |
instname_str |
Universidade Estadual Paulista (UNESP) |
instacron_str |
UNESP |
institution |
UNESP |
reponame_str |
Repositório Institucional da UNESP |
collection |
Repositório Institucional da UNESP |
repository.name.fl_str_mv |
Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP) |
repository.mail.fl_str_mv |
|
_version_ |
1808128473633390592 |