Predição de Medidas em Redes Complexas com Aprendizagem de Máquina

Detalhes bibliográficos
Autor(a) principal: Negri, Juliano Decico
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

Registros relacionados