Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | de Rosa, Gustavo H. | - |
Autor(es): dc.creator | Roder, Mateus | - |
Autor(es): dc.creator | Passos, Leandro A. | - |
Autor(es): dc.creator | Papa, João Paulo | - |
Data de aceite: dc.date.accessioned | 2025-08-21T15:18:31Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T15:18:31Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2024-10-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.asoc.2024.112021 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/306869 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/306869 | - |
Descrição: dc.description | Supervised pattern classification relies on a labeled training set to learn decision boundaries that separate samples from different classes. Such samples can be either weakly- or reliably-labeled; in the first case, one can employ techniques specifically designed to cope with uncertainty during labeling, and in the other scenario, it relies on numerous alternatives, including metric learning. Pattern classifiers usually adopt the Euclidean distance to compare samples and assess their proximity, but this implies the feature space is embedded in a plane. However, samples are embedded in curved spaces for some applications, although not straightforward to prove. In this manuscript, we assessed the performance of the Optimum-Path Forest (OPF) classifier under different distance functions, which are used to weigh arcs among samples, for a graph encoding the feature space. This work compared 47 distance measures applied to the OPF classifier considering 22 datasets, plus Decision Trees, Logistic Regression, and Support Vector Machines. The experiments highlighted that OPF is user-friendly when handling distance measures and can obtain better accuracies in some situations than its standard (Euclidean) counterpart and the classifiers mentioned above. On the other hand, time-consuming distance calculations may affect OPF's efficiency during inference. | - |
Descrição: dc.description | International Business Machines Corporation | - |
Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
Descrição: dc.description | Department of Computing São Paulo State University, Av. Eng. Luiz Edmundo Carrijo Coube, 14-01 | - |
Descrição: dc.description | Department of Computing São Paulo State University, Av. Eng. Luiz Edmundo Carrijo Coube, 14-01 | - |
Descrição: dc.description | FAPESP: #2013/07375-0 | - |
Descrição: dc.description | FAPESP: #2014/12236-1 | - |
Descrição: dc.description | FAPESP: #2019/ 02205-5 | - |
Descrição: dc.description | FAPESP: #2019/07665-4 | - |
Descrição: dc.description | FAPESP: #2020/12101-0 | - |
Descrição: dc.description | FAPESP: #2023/10823-6 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Applied Soft Computing | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Metric learning | - |
Palavras-chave: dc.subject | Optimum-path forest | - |
Palavras-chave: dc.subject | Supervised learning | - |
Título: dc.title | A comprehensive study among distance measures on supervised optimum-path forest classification | - |
Tipo de arquivo: dc.type | livro digital | - |
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: