Multiple-Instance Learning through Optimum-Path Forest

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorUniversidade Federal de São Carlos (UFSCar)-
Autor(es): dc.contributorPetr Brasileiro SA-
Autor(es): dc.contributorUniversidade Estadual Paulista (Unesp)-
Autor(es): dc.creatorAfonso, Luis C. S.-
Autor(es): dc.creatorColombo, Danilo-
Autor(es): dc.creatorPereira, Clayton R. [UNESP]-
Autor(es): dc.creatorCosta, Kelton A. P. [UNESP]-
Autor(es): dc.creatorPapa, Joao P. [UNESP]-
Autor(es): dc.creatorIEEE-
Data de aceite: dc.date.accessioned2022-02-22T00:10:39Z-
Data de disponibilização: dc.date.available2022-02-22T00:10:39Z-
Data de envio: dc.date.issued2020-12-09-
Data de envio: dc.date.issued2020-12-09-
Data de envio: dc.date.issued2019-01-01-
Fonte completa do material: dc.identifierhttp://hdl.handle.net/11449/196859-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/196859-
Descrição: dc.descriptionMultiple-instance (MI) learning aims at modeling problems that are better described by several instances of a given sample instead of individual descriptions often employed by standard machine learning approaches. In binary-driven MI problems, the entire bag is considered positive if one (at least) sample is labeled as positive. On the other hand, a bag is considered negative if it contains all samples labeled as negative as well. In this paper, we introduced the Optimum-Path Forest (OPF) classifier to the context of multiple-instance learning paradigm, and we evaluated it in different scenarios that range from molecule description, text categorization, and anomaly detection in well-drilling report classification. The experimental results showed that two different OPF classifiers are very much suitable to handle problems in the multiple-instance learning paradigm.-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)-
Descrição: dc.descriptionConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)-
Descrição: dc.descriptionPetrobras-
Descrição: dc.descriptionUFSCar Fed Univ Selo Carlos, Dept Comp, Sao Carlos, Brazil-
Descrição: dc.descriptionPetr Brasileiro SA, Cenpes, Rio De Janeiro, RJ, Brazil-
Descrição: dc.descriptionUNESP Sao Paulo State Univ, Dept Comp, Bauru, SP, Brazil-
Descrição: dc.descriptionUNESP Sao Paulo State Univ, Dept Comp, Bauru, SP, Brazil-
Descrição: dc.descriptionFAPESP: 2013/07375-0-
Descrição: dc.descriptionFAPESP: 2014/122361-
Descrição: dc.descriptionFAPESP: 2016/19403-6-
Descrição: dc.descriptionFAPESP: 2017/22905-6-
Descrição: dc.descriptionCNPq: 307066/2017-7-
Descrição: dc.descriptionCNPq: 427968/2018-6-
Descrição: dc.descriptionPetrobras: 2014/00545-0-
Formato: dc.format7-
Idioma: dc.languageen-
Publicador: dc.publisherIeee-
Relação: dc.relation2019 International Joint Conference On Neural Networks (ijcnn)-
???dc.source???: dc.sourceWeb of Science-
Título: dc.titleMultiple-Instance Learning through Optimum-Path Forest-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.