Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Federal de São Carlos (UFSCar) | - |
Autor(es): dc.contributor | Petr Brasileiro SA | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.creator | Afonso, Luis C. S. | - |
Autor(es): dc.creator | Colombo, Danilo | - |
Autor(es): dc.creator | Pereira, Clayton R. [UNESP] | - |
Autor(es): dc.creator | Costa, Kelton A. P. [UNESP] | - |
Autor(es): dc.creator | Papa, Joao P. [UNESP] | - |
Autor(es): dc.creator | IEEE | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:10:39Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:10:39Z | - |
Data de envio: dc.date.issued | 2020-12-09 | - |
Data de envio: dc.date.issued | 2020-12-09 | - |
Data de envio: dc.date.issued | 2019-01-01 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/196859 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/196859 | - |
Descrição: dc.description | Multiple-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.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | Petrobras | - |
Descrição: dc.description | UFSCar Fed Univ Selo Carlos, Dept Comp, Sao Carlos, Brazil | - |
Descrição: dc.description | Petr Brasileiro SA, Cenpes, Rio De Janeiro, RJ, Brazil | - |
Descrição: dc.description | UNESP Sao Paulo State Univ, Dept Comp, Bauru, SP, Brazil | - |
Descrição: dc.description | UNESP Sao Paulo State Univ, Dept Comp, Bauru, SP, Brazil | - |
Descrição: dc.description | FAPESP: 2013/07375-0 | - |
Descrição: dc.description | FAPESP: 2014/122361 | - |
Descrição: dc.description | FAPESP: 2016/19403-6 | - |
Descrição: dc.description | FAPESP: 2017/22905-6 | - |
Descrição: dc.description | CNPq: 307066/2017-7 | - |
Descrição: dc.description | CNPq: 427968/2018-6 | - |
Descrição: dc.description | Petrobras: 2014/00545-0 | - |
Formato: dc.format | 7 | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | Ieee | - |
Relação: dc.relation | 2019 International Joint Conference On Neural Networks (ijcnn) | - |
???dc.source???: dc.source | Web of Science | - |
Título: dc.title | Multiple-Instance Learning through Optimum-Path Forest | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: