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 Estadual Paulista (Unesp) | - |
Autor(es): dc.creator | Valem, Lucas Pascotti [UNESP] | - |
Autor(es): dc.creator | Pedronette, Daniel C. G. [UNESP] | - |
Autor(es): dc.creator | Breve, Fabricio [UNESP] | - |
Autor(es): dc.creator | Guilherme, Ivan Rizzo [UNESP] | - |
Autor(es): dc.creator | IEEE | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:57:08Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:57:08Z | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2018-01-01 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/209623 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/209623 | - |
Descrição: dc.description | Due to the growing availability of unlabeled data and the difficulties in obtaining labeled data, the use of semi-supervised learning approaches becomes even more promising. The capacity of taking into account the dataset structure is of crucial relevance for effectively considering the unlabeled data. In this paper, a novel classifier is proposed through a manifold learning approach. The graph is constructed based on a new hybrid similarity measure which encodes both supervised and unsupervised information. Next, strongly connected components are computed and used to analyze the dataset manifold. The classification is performed through a voting scheme based on primary (labeled) and secondary (unlabeled) voters. An experimental evaluation is conducted, considering various datasets, diverse situations of training/test dataset sizes and comparison with baselines. The proposed method achieved positive results in most of situations. | - |
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 | Sao Paulo State Univ UNESP, Dept Stat Appl Math & Comp DEMAC, Rio Claro, Brazil | - |
Descrição: dc.description | Sao Paulo State Univ UNESP, Dept Stat Appl Math & Comp DEMAC, Rio Claro, Brazil | - |
Descrição: dc.description | FAPESP: 2017/02091-4 | - |
Descrição: dc.description | FAPESP: 2016/05669-4 | - |
Descrição: dc.description | FAPESP: 2013/08645-0 | - |
Descrição: dc.description | CNPq: 308194/2017-9 | - |
Descrição: dc.description | Petrobras: 2014/00545-0 | - |
Formato: dc.format | 7 | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | Ieee | - |
Relação: dc.relation | 2018 International Joint Conference On Neural Networks (ijcnn) | - |
???dc.source???: dc.source | Web of Science | - |
Título: dc.title | Manifold Correlation Graph for Semi-Supervised Learning | - |
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: