A Self-organized Network for Data Clustering

Zhao, Liang; Damiance, Antonio P. G.; Carvalho, André C. P. L. F. de

doi:10.1007/11539087_158

Cited by 3 publications

(6 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Then each object interacts with its neighbors and the clusters appear as objects whose spins become aligned. Zhao et al [10] proposed a clustering algorithm based on attraction of similar objects. Similarity is relative to the distance between them.…”

Section: Introductionmentioning

confidence: 99%

An Energy Exchanging Mechanism for Data Clustering

Gueleri

Zhao

2012

2012 Brazilian Symposium on Neural Networks

Self Cite

View full text Add to dashboard Cite

In this paper, a dynamic process for data clustering is presented. It is based on the collective behavior among the objects of the input dataset. Each object is assigned an energy state, so they interact with each other by exchanging their energy, causing similar objects to take similar states. Finally, a classical algorithm such as k-means is applied on the energy vectors to actually cluster the data. Experiments show that the energy exchanging process is able to transform complex arrangements of objects into arrangements much easier to cluster. Moreover, the energy exchanging process is resilient to the mixture of clusters to some extent.

show abstract

Section: Introductionmentioning

confidence: 99%

An Energy Exchanging Mechanism for Data Clustering

Gueleri

Zhao

2012

2012 Brazilian Symposium on Neural Networks

Self Cite

View full text Add to dashboard Cite

show abstract

“…No aprendizado semi-supervisionado, alguns modelos baseados em grafos minimizam este problema através da transformação do conjunto de atributos originais em um grafo onde cada vértice representa um elemento e cada aresta representa a similaridade entre os pares de elementos, porém a maioria dos métodos utiliza uma abordagem semelhante de propagação de rótulos em que, a cada iteração, todo elemento propaga seu rótulo para todos os outros elementos vizinhos, o que resulta em algoritmos com alta ordem de complexidade computacional. Zhao et al (2004Zhao et al ( , 2005 propuseram um modelo dinâmico para agrupamento de dados que tem como base a teoria dos sistemas dinâmicos e suas características de sincronização e dessincronização. Nesse modelo, cada elemento da rede é representado por um mapa caótico, que por sua vez corresponde a um elemento no espaço de atributos.…”

Section: Motivaçãounclassified

Aprendizado de máquina em redes complexas

Breve¹

View full text Add to dashboard Cite

A Deus, pela vida e todas as bençãos que nela recebi, e pela força para superar todas as dificuldades e atingir meus objetivos;Aos meus pais, Dirceu e Beatriz, pelo amor, carinho, incentivo, confiança e dedicação durante todos esses anos, compartilhando cada sonho e cada conquista, sem eles não teria chegado até aqui, serei sempre grato; À minha namorada Claudia, pelo carinho, dedicação e compreensão, compartilhando comigo todos os bons e maus momentos vividos durante o desenvolvimento deste trabalho;Ao Prof. Dr. Zhao Liang, meu orientador, por todos os conhecimentos que com ele adquiri, pela confiança e atenção que dedicou a mim durante estes anos;Ao Prof. Dr. Witold Pedrycz, que me aceitou em seu grupo de pesquisa e me orientou durante minha visita acadêmica ao , pelas valiosas correções, sugestões e observações feitas no Exame de Qualificação;A todos os professores e funcionários do ICMC-USP; À FAPESP e ao CNPq pelo apoio financeiro durante os três últimos anos de desenvolvimento deste trabalho;Ao IEEE CIS e ao INNS pelos IEEE CIS Outstanding Student Paper Travel Grant e INNS Travel Grant, concedidos a mim nos anos de 2009 e 2010, que me permitiram participar da International Joint Conference on Neural Networks (IJCNN 2009) e do IEEE World Congress on Computational Intelligence (WCCI 2010); A todos que diretamente ou indiretamente colaboraram durante o desenvolvimento deste trabalho. iii ResumoRedes complexas é um campo de pesquisa científica recente e bastante ativo que estuda redes de larga escala com estruturas topológicas não triviais, tais como redes de computadores, redes de telecomunicações, redes de transporte, redes sociais e redes biológicas. Muitas destas redes são naturalmente divididas em comunidades ou módulos e, portanto, descobrir a estrutura dessas comunidades é um dos principais problemas abordados no estudo de redes complexas. Tal problema está relacionado com o campo de aprendizado de máquina, que tem como interesse projetar e desenvolver algoritmos e técnicas que permitem aos computadores "aprender", ou melhorar seu desempenho através da experiência. Alguns dos problemas identificados nas técnicas tradicionais de aprendizado incluem: dificuldades em identificar formas irregulares no espaço de atributos; descobrir estruturas sobrepostas de grupos ou classes, que ocorre quando elementos pertencem a mais de um grupo ou classe; e a alta complexidade computacional de alguns modelos, que impedem sua aplicação em bases de dados maiores. Neste trabalho tratamos tais problemas através do desenvolvimento de novos modelos de aprendizado de máquina utilizando redes complexas e dinâmica espaço-temporal, com capacidade para tratar grupos e classes sobrepostas, além de fornecer graus de pertinência para cada elemento da rede com relação a cada cluster ou classe. Os modelos desenvolvidos tem desempenho similar ao de algoritmos do estado da arte, ao mesmo tempo em que apresentam ordem de complexidade computacional menor do que a maioria deles.v Abstract Complex networks is a recent and active scientific re...

show abstract

“…Abordagens inspiradas na natureza, em especial aquelas baseadas em grandes grupos de elementos que interagem entre si (comportamento coletivo), vêm ganhando espaço e mostrando-se muito eficientes (Blatt et al, 1997;Omran et al, 2002;Zhao et al, 2005;Abraham et al, 2007;Oliveira, 2008). Ou seja, os mé-todos inspirados em fenômenos naturais vêm se tornando uma alternativa aos métodos tradicionais.…”

Section: Considerações Finaisunclassified

“…Lá também são encontrados alguns experimentos sobre conjuntos de dados artificiais e reais. Zhao et al (2005) propuseram um método de agrupamento dinâmico e auto-organizável baseado na atração de objetos similares. Os objetos se movimentam pelo espaço de atributos, guiados por forças de atração exercidas entre objetos similares.…”

Section: Agrupamento Baseado Em Propriedades Ferromagnéticasunclassified

See 1 more Smart Citation

Agrupamento de dados baseado em comportamento coletivo e auto-organização

Gueleri¹

View full text Add to dashboard Cite

AgradecimentosPrimeiramente, sou grato à minha família, por apoiar-me em todas as decisões que tomei na vida, e por compreender que, mesmo estando eu ausente durante longos períodos, tal ausência teve bons motivos, dentre eles, a concretização deste trabalho. Agradeço ao Prof. Dr. Zhao Liang, pela orientação, paciência e dedicação, mantendo-me na linha e, ao mesmo tempo, oferecendo-me a liberdade de tomar diversas decisões. Um equilíbrio perfeito: liberdade, mas com moderação. Agradeço a todos os demais professores, do ICMC-USP e de outras instituições, do mestrado e de outras épocas, que durante toda a minha vida ajudaram a formar a pessoa que sou hoje. Agradeço a todos os amigos, pelos momentos de descontração, afinal nem só de estudo e trabalho vive o homem. Prefiro não citar nomes para não correr o risco de esquecer alguém. Quem comigo esteve presente sabe o quanto foi importante. Agradeço à Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) e à Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES), pelo apoio financeiro concedido, por meio de bolsa, que viabilizou do desenvolvimento deste trabalho de mestrado. E claro, agradeço à Deus, por manter o caminho livre para que eu pudesse realizar este trabalho, dando-me saúde e motivação, oferecendo-me oportunidades, colocando-me diante de pessoas fantásticas, livrando-me de eventos ruins que eu não pudesse superar, embora algumas noites mal dormidas tenham sido necessárias. Enfim, expresso minha gratidão a todas as pessoas que, direta ou indiretamente, contribuíram para mais esta etapa que agora estou completando.i ii ResumoO aprendizado de máquina consiste de conceitos e técnicas que permitem aos computadores melhorar seu desempenho com a experiência, ou, em outras palavras, "aprender" com dados. Um dos principais tópicos do aprendizado de máquina é o agrupamento de dados que, como o nome sugere, procura agrupar os dados de acordo com sua similaridade. Apesar de sua definição relativamente simples, o agrupamento é uma tarefa computacionalmente complexa, tornando proibitivo o emprego de algoritmos exaustivos, na busca pela solução ótima do problema. A importância do agrupamento de dados, aliada aos seus desafios, faz desse campo um ambiente de intensa pesquisa. Também a classe de fenô-menos naturais conhecida como comportamento coletivo tem despertado muito interesse. Isso decorre da observação de um estado organizado e global que surge espontaneamente das interações locais presentes em grandes grupos de indivíduos, caracterizando, pois, o que se chama auto-organização -ou "emergência", para ser mais preciso. Os desafios intrínsecos e a relevância do tema vêm motivando sua pesquisa em diversos ramos da ciência e da engenharia. Ao mesmo tempo, técnicas baseadas em comportamento coletivo vêm sendo empregadas em tarefas de aprendizado de máquina, mostrando-se promissoras e ganhando bastante atenção. No presente trabalho, objetivou-se o desenvolvimento de técnicas de agrupamento baseadas em comportamento coletivo. Faz-se cada item do conjunt...

show abstract

A Self-organized Network for Data Clustering

Cited by 3 publications

References 11 publications

An Energy Exchanging Mechanism for Data Clustering

An Energy Exchanging Mechanism for Data Clustering

Aprendizado de máquina em redes complexas

Agrupamento de dados baseado em comportamento coletivo e auto-organização

Contact Info

Product

Resources

About