Predição de Medidas em Redes Complexas com Aprendizagem de Máquina
Autor(a) principal: | |
---|---|
Data de Publicação: | 2024 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da USP |
Texto Completo: | https://www.teses.usp.br/teses/disponiveis/55/55134/tde-09082024-135531/ |
Resumo: | O estudo das redes complexas evoluiu com a criação de diversas métricas para análises das características das redes e dos respectivos vértices. Entretanto, com o maior volume de dados disponíveis, limites à escalabilidade dos algoritmos atuais para cálculo de medidas em redes se tornaram um gargalo para o estudo das redes. Por esse motivo, a literatura evolui com a criação de aproximações para esses algoritmos. Recentemente, conforme as técnicas de aprendizagem de máquina se tornaram o estado da arte em diversas aplicações referentes às redes complexas, o seu uso para aproximações de medidas foi testado na literatura, mas ainda é limitado. O objetivo deste projeto é avaliar a aplicação de modelos de aprendizagem de máquina para aproximação de medidas de centralidade em termos de qualidade de predição e de generalização da aplicação dos modelos, levando em consideração conjunto de dados de redes com diferentes distribuições. |
id |
USP_4f0350356f1c0942dc8ece0d0bbc99e9 |
---|---|
oai_identifier_str |
oai:teses.usp.br:tde-09082024-135531 |
network_acronym_str |
USP |
network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
repository_id_str |
2721 |
spelling |
Predição de Medidas em Redes Complexas com Aprendizagem de MáquinaMachine Learning Models for Complex Network Measures PredictionsAprendizagem de máquinaCentrality measuresComplex networksMachine learningMedidas de centralidadeRedes complexasO estudo das redes complexas evoluiu com a criação de diversas métricas para análises das características das redes e dos respectivos vértices. Entretanto, com o maior volume de dados disponíveis, limites à escalabilidade dos algoritmos atuais para cálculo de medidas em redes se tornaram um gargalo para o estudo das redes. Por esse motivo, a literatura evolui com a criação de aproximações para esses algoritmos. Recentemente, conforme as técnicas de aprendizagem de máquina se tornaram o estado da arte em diversas aplicações referentes às redes complexas, o seu uso para aproximações de medidas foi testado na literatura, mas ainda é limitado. O objetivo deste projeto é avaliar a aplicação de modelos de aprendizagem de máquina para aproximação de medidas de centralidade em termos de qualidade de predição e de generalização da aplicação dos modelos, levando em consideração conjunto de dados de redes com diferentes distribuições.The study of complex networks has evolved with the creation of multiple metrics for analyzing the characteristics of networks and its vertices. However, with the increasing volume of available data, limitations on the scalability of current algorithms for calculating measures in networks have become a bottleneck for network studies. For this reason, multiple heuristics for approximating these measures were created. Recently, as machine learning techniques have become the state of the art in several applications concerning complex networks, their use for measurement approximations has been tested in the literature, but it is still limited. The objective of this project is to evaluate the application of machine learning models for approximating centrality measures in terms of prediction quality and generalization, taking into account datasets of networks with different distributions.Biblioteca Digitais de Teses e Dissertações da USPRodrigues, Francisco AparecidoNegri, Juliano Decico2024-06-07info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/55/55134/tde-09082024-135531/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2024-08-09T17:03:02Zoai:teses.usp.br:tde-09082024-135531Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212024-08-09T17:03:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
dc.title.none.fl_str_mv |
Predição de Medidas em Redes Complexas com Aprendizagem de Máquina Machine Learning Models for Complex Network Measures Predictions |
title |
Predição de Medidas em Redes Complexas com Aprendizagem de Máquina |
spellingShingle |
Predição de Medidas em Redes Complexas com Aprendizagem de Máquina Negri, Juliano Decico Aprendizagem de máquina Centrality measures Complex networks Machine learning Medidas de centralidade Redes complexas |
title_short |
Predição de Medidas em Redes Complexas com Aprendizagem de Máquina |
title_full |
Predição de Medidas em Redes Complexas com Aprendizagem de Máquina |
title_fullStr |
Predição de Medidas em Redes Complexas com Aprendizagem de Máquina |
title_full_unstemmed |
Predição de Medidas em Redes Complexas com Aprendizagem de Máquina |
title_sort |
Predição de Medidas em Redes Complexas com Aprendizagem de Máquina |
author |
Negri, Juliano Decico |
author_facet |
Negri, Juliano Decico |
author_role |
author |
dc.contributor.none.fl_str_mv |
Rodrigues, Francisco Aparecido |
dc.contributor.author.fl_str_mv |
Negri, Juliano Decico |
dc.subject.por.fl_str_mv |
Aprendizagem de máquina Centrality measures Complex networks Machine learning Medidas de centralidade Redes complexas |
topic |
Aprendizagem de máquina Centrality measures Complex networks Machine learning Medidas de centralidade Redes complexas |
description |
O estudo das redes complexas evoluiu com a criação de diversas métricas para análises das características das redes e dos respectivos vértices. Entretanto, com o maior volume de dados disponíveis, limites à escalabilidade dos algoritmos atuais para cálculo de medidas em redes se tornaram um gargalo para o estudo das redes. Por esse motivo, a literatura evolui com a criação de aproximações para esses algoritmos. Recentemente, conforme as técnicas de aprendizagem de máquina se tornaram o estado da arte em diversas aplicações referentes às redes complexas, o seu uso para aproximações de medidas foi testado na literatura, mas ainda é limitado. O objetivo deste projeto é avaliar a aplicação de modelos de aprendizagem de máquina para aproximação de medidas de centralidade em termos de qualidade de predição e de generalização da aplicação dos modelos, levando em consideração conjunto de dados de redes com diferentes distribuições. |
publishDate |
2024 |
dc.date.none.fl_str_mv |
2024-06-07 |
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 |
https://www.teses.usp.br/teses/disponiveis/55/55134/tde-09082024-135531/ |
url |
https://www.teses.usp.br/teses/disponiveis/55/55134/tde-09082024-135531/ |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
|
dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.coverage.none.fl_str_mv |
|
dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
instname_str |
Universidade de São Paulo (USP) |
instacron_str |
USP |
institution |
USP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
collection |
Biblioteca Digital de Teses e Dissertações da USP |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
_version_ |
1809090553798721536 |