SlideShare uma empresa Scribd logo
COMMUNITY DETECTION FOR
MULTI-LABEL CLASSIFICATION
Elaine Cecília Gatto | Alan Valejo | Mauri Ferrandin | Ricardo Cerri
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR 2
Co-orientador
UFSC
Elaine Cecília
Gatto - Cissa
Alan
Demétrius
Baria Valejo
Orientador
UFSCar
Ricardo Cerri
Doutoranda
UFSCar
Mauri
Ferrandin
Colaborador
UFSCar
Pesquisadores
AGENDA
• Introdução
• Método proposto
• Experimento
• Resultados
• Conclusão
3
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
INTRODUÇÃO
Classificação
5
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
10 questões
Gabarito Sua Nota
Sua Prova
10 questões
Acertou 6
Errou 4
- Como a Professora tem o gabarito
da prova, ela consegue calcular
rapidamente o quanto você
aprendeu.
- Assim, comparando sua prova com
o gabarito, é possível fornecer sua
nota, que é correspondente ao
quanto você acertou.
-Se 6.0 é o suficiente para passar na
disciplina, então você está aprovado!
Caso contrário, você terá que cursar
novamente a disciplina e obter uma
nova maior. Esse processo será
repetido até que você consiga obter
uma nova igual ou superior a 6.0
- Essa nota também representa a
quantidade de conhecimento que
você conseguiu aprender.
Classificação
6
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Dados de
Treino
Aprendizado
(treinamento)
Modelo
Dados de
Teste
Modelo É
satisfatória?
Resposta ou
Saída do
Modelo.
Sim
Não
Início
FIM
Classificação
7
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
CLASSIFICAÇÃO
MULTIRRÓTULO:
É uma tarefa preditiva
supervisionada do aprendizado
de máquina que tem como
objetivo induzir um modelo que
prediz múltiplos rótulos
(classes) para uma instância.
Classificação Multirrótulo
8
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Problema Multirrótulo
Atributos de entrada Atributos de Saída
Instâncias Att1 Att2 ... Atta Y1 Y2 ... Yl
x1 0 1 ... 0
x2 1 1 ... 1
... … … … … … … … …
xm 1 1 ... 0
Correlações entre rótulos
9
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Como resolver um problema de classificação multirrótulo?
10
18/10/2023
1. Abordagem Global
○ Novos modelos ou adaptação de modelos existentes;
○ Aprende todos os rótulos de uma única vez;
○ Não aprende corretamente as correlações;
○ Indução de um único modelo (um classificador);
Há recursos computacionais
suficientes para aprender milhões de
rótulos de uma vez só?
Árvores de Decisão, Algoritmos
Genéticos, Redes Neurais, etc.,
específicos para o problema.
SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Como resolver um problema de classificação multirrótulo?
11
18/10/2023
2. Abordagem Local
1. Divide o problema original em subproblemas;
2. Aprende cada rótulo de forma individual;
3. Não aprende as correlações;
4. Indução de um modelo por rótulo;
Se o dataset possuir milhões de
rótulos, serão induzidos milhões de
classificadores.
Classificadores base são usados junto
com os métodos de transformação da
abordagem local: SVM, árvores, etc.
SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
12
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Mas, e se houvesse outra
ABORDAGEM para resolver o
problema Multirrótulo?
Tirar proveito das vantagens e
mitigar as desvantagens das
abordagens local e global
MÉTODO PROPOSTO
14
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
HYBRID PARTITIONS FOR
MULTI-LABEL CLASSIFICATION (HPML)
15
18/10/2023
• Pergunta de Pesquisa: No domínio de problemas de classificação
multirrótulo, é possível encontrar múltiplas partições híbridas nos dados
multirrótulo, e escolher uma entre elas que melhore o desempenho
preditivo do classificador em relação às tradicionais abordagens global e
local?
• Número de Bell: 0=1, 1=1, 2=2, 3=5, 4=15, 5=52, 6=203, 7=877, 8=4.140,
9=21.147, 10=115.975, 11=678.570, 12=4.213.597, 13 = 27.644.437.
SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
HYBRID PARTITIONS FOR
MULTI-LABEL CLASSIFICATION (HPML)
16
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
HYBRID PARTITIONS FOR
MULTI-LABEL CLASSIFICATION (HPML)
17
Método de estratificação específico para dados multirrótulo
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
HYBRID PARTITIONS FOR
MULTI-LABEL CLASSIFICATION (HPML)
18
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
HYBRID PARTITIONS FOR
MULTI-LABEL CLASSIFICATION (HPML)
Métodos de Detecção de Comunidades
19
18/10/2023
• Origem: Redes complexas, grafos;
• Comunidade:
• A topologia da rede pode codificar interações entre os dados sistematicamente e encontrar
relacionamentos entre eles;
• É um conjunto de vértices com muitas arestas dentro da comunidade e algumas arestas fora
dela.
• Métodos para detecção de comunidade:
• São técnicas para descobrir estruturas adjacentes e entender como a estrutura da rede se
relaciona com o comportamento do sistema;
• São algoritmos de particionamento de grafos, isto é, dividem os vértices em grupos minimizando
o número de arestas entre eles;
• Ajudam a entender como as relações entre pessoas e grupos no Facebook funcionam, assim
como os fatores e estruturas envolvidos na relação.
SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
20
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Comunidades de interação
proteína-proteína em células
cancerígenas de ratos
https://www.semanticsch
olar.org/reader/9be428c
9383d47b86570b1b9fc2
0faf006346c5d
Métodos de Detecção de Comunidades
21
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Métodos de Detecção de Comunidades
Matriz de
Similaridade
Grafo de co-
ocorrência
Esparcificação
Métodos de
Detecção de
Comunidades
Grafo K-
NN
K-NN
Threshold
Grafo
Threshold
Hierárquicos Não-Hierárquicos
vértices = rótulos
arestas = correlações
pesos = correlações
Passo-2
Passo-3
22
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Métodos de Detecção de Comunidades
EXEMPLO: VAR = RÓTULOS
23
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
24
Grafo com Self-Loops Grafo sem Self-Loops
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Métodos de Detecção de Comunidades
25
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Métodos de Detecção de Comunidades
Threshold = 10% K-NN = 5
26
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
HYBRID PARTITIONS FOR
MULTI-LABEL CLASSIFICATION (HPML)
27
18/10/2023
HIERÁRQUICOS
SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
a) Walk Trap: caminhos
aleatórios
b) Edge Betweenness: número
de caminhos mais curtos
através da aresta
c) Fast Greedy: ganho de
modularidade
NÃO HIERÁRQUICOS
d) Louvain: método multinível
baseado em Fast Greedy
e) Label Propagation: rótulo mais
frequente
f) Info Map: método multinível
baseado na equação do mapa
g) Spin Glass: modelos de
rotação
HYBRID PARTITIONS FOR
MULTI-LABEL CLASSIFICATION (HPML)
28
INFO MAP
NÃO HIERÁRQUICO:
particionamento único
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
HYBRID PARTITIONS FOR
MULTI-LABEL CLASSIFICATION (HPML)
29
WALK TRAP
HIERÁRQUICO:
vários particionamentos
DENDROGRAMA
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
HYBRID PARTITIONS FOR
MULTI-LABEL CLASSIFICATION (HPML)
30
WALK TRAP
DENDROGRAMA
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
HYBRID PARTITIONS FOR
MULTI-LABEL CLASSIFICATION (HPML)
HIERÁRQUICO:
vários particionamentos
31
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
O número total de partições de rótulos geradas é igual ao número total de rótulos do dataset
Os números dentro de cada célula da tabela correspondem ao número da comunidade (ou grupo) a que o rótulo pertence
HYBRID PARTITIONS FOR
MULTI-LABEL CLASSIFICATION (HPML)
Resultado dos cortes
32
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
- Medida de modularidade como critério de escolha de um método
- Mede a separação entre vértices;
- Quantifica a densidade de ligações dentro das comunidades em comparação com ligações
entre comunidades;
- Constrói os conjuntos de dados correspondentes
HYBRID PARTITIONS FOR
MULTI-LABEL CLASSIFICATION (HPML)
33
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
HYBRID PARTITIONS FOR
MULTI-LABEL CLASSIFICATION (HPML)
34
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
HYBRID PARTITIONS FOR
MULTI-LABEL CLASSIFICATION (HPML)
35
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
36
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
HYBRID PARTITIONS FOR
MULTI-LABEL CLASSIFICATION (HPML)
37
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
HYBRID PARTITIONS FOR
MULTI-LABEL CLASSIFICATION (HPML)
Classificador com versão global e local – CLUS Framework
Usar o mesmo classificador em todos os particionamentos
Objetivo é comparar partições e não métodos
EXPERIMENTOS
Datasets
Multirrótulo
39
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Métodos
Comparados
40
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Medidas de Avaliação Multirrótulo
41
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
proporção de rótulos que nunca são preditos
RESULTADOS
Métodos de Detecção de Comunidades mais escolhidos
43
Hierárquico
C.D.M.
Não-Hierárquico
C.D.M.
Jaccard
Index
Hierárquico
C.D.M.
Não-Hierárquico
C.D.M.
Rogers
Tanimoto
Hierárquico
C.D.M.
Não-Hierárquico
C.D.M.
Random
KNN TR KNN TR KNN TR KNN TR KNN TR KNN TR
Edge Betweenness
WalkTrap
WalkTrap WalkTrap
Info Map Info Map Info Map
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Partição híbrida mais escolhida
44
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Partição Híbrida mais escolhida em geral:
Uma partição híbrida com 2 clusters está
mais próxima de uma partição global
composta por um único cluster.
Esta pode ser uma das razões pelas quais nossos resultados de desempenho
são competitivos em comparação com outras partições, superam os globais e
não são superiores às locais para alguns conjuntos de dados.
Desempenho
45
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
GRÁFICO DE VITÓRIAS, DERROTAS E
EMPATES
- Embasado no valor de desempenho que
varia entre 0.0 e 1.0
VITÓRIAS: Quantas vezes um método
obteve melhor desempenho preditivo com
relação à todos os outros.
DERROTAS: Quantas vezes um método
obteve pior desempenho preditivo com
relação à todos os outros.
EMPATES: Quantas vezes um método
obteve o mesmo valor de desempenho
preditivo com relação à todos os outros.
Desempenho
46
PARTIÇÕES ALEATÓRIAS
- Melhor ou superior que local em
alguns datasets
- Superior que o global em muitos
datasets
PARTIÇÕES HÍBRIDAS
- Melhor ou superior que local em
alguns datasets
- Superior que o global em muitos
datasets
HÍBRIDAS - ALEATÓRIAS - LOCAL
Resultados competitivos
PARTIÇÃO
LOCAL
Melhores
resultados
PARTIÇÃO
GLOBAL
Piores
resultados
Valores de Performance
Em geral, para todos os datasets,
métodos e particionamentos
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Desempenho
47
MACRO-F1
- Pior = 0.0 | Melhor = 1.0
- Valores muito baixos: ~0.3
MLP
- Pior = 1.0 | Melhor = 0.0
- Valores muito altos: ~0.9
- Alto erro de predição
Em geral:
• HPML foi capaz de gerar partições que
podem melhorar o desempenho
preditivo do classificador;
• Baixo nível de correlações entre rótulos
nos datasets
• Partições aleatórias também foram
melhores e competitivas
• Abordagens tradicionais falham em
aprender os rótulos e explorar as
correlações
• Apesar de tudo isso, o HPML funcinou!
18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
48
18/10/2023
Teste Estatístico: Friedman & Nemenyi
SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Não há diferenças estatísticas significativas entre:
Lo e NH.Ra
Lo e H.HPML
G, H-Ra, NH.HPML e algumas H.HMPL
Não há diferenças estatísticas significativas entre:
Local e Global
49
18/10/2023
Teste Estatístico: Friedman & Nemenyi
SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Não há diferenças estatísticas significativas entre:
Local, NH.Ra, H.Ra, H.HPML e algumas NH.HPML
H.HPML e NH.HPML
Não há diferenças estatísticas significativas entre:
Local e Global
CONCLUSÃO
51
18/10/2023
• As partições híbridas obtiveram resultados competitivos, ou
melhores, em diversos datasets, com relação às outras partições;
• Portanto, é possível encontrar partições entre as local e global que
são capazes de melhorar o desempenho preditivo;
• O desempenho médio é competitivo entre todos os métodos e
datasets;
SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Conclusão
52
18/10/2023
• Independente do tipo de particionamento usado (local, global, aleatório
ou híbrido), pode-se concluir que:
• Não há melhoria significativa apesar dos resultados competitivos;
• Grande parte dos rótulos não foi aprendido nem predito corretamente
pelo classificador;
• O classificador tem dificuldades em aprender todos os rótulos, as
correlações entre os rótulos e também dificuldades na predição
correta dos mesmos.
SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Conclusão
53
18/10/2023
• É preciso melhorar os métodos das abordagens multirrótulo pois:
• Independentemente do tipo de particionamento usado;
• Independentemente de as correlações entre rótulos terem sido
modeladas/aprendidas/exploradas ou não;
• Não é possível afirmar com absoluta certeza que eles estão
aprendendo corretamente os rótulos.
SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Conclusão
Conclusão
54
18/10/2023
• No entanto, mesmo com todas essas dificuldades, a pesquisa mostrou
que:
• É possível encontrar partições híbridas que conseguem melhorar o
desempenho, portanto, há espaço para crescimento e melhorias;
• É melhor usar uma partição composta por grupos de rótulos
(correlacionados ou aleatórios) do que uma partição com um único
grupo;
• É um problema que precisa de mais investigação e atenção da
comunidade científica.
SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Trabalhos Futuros
55
18/10/2023
- Utilizar outros datasets, com maior número de rótulos;
- Testar as partições com outros classificadores multirrótulo capazes de
lidar com as diferentes composições de grupos de rótulos;
- Analisar os resultados com outras medidas de avaliação para
classificação multirrótulo;
- Gerar partições híbridas com outros métodos de particionamento;
- Modelar as correlações entre os rótulos com outras técnicas;
SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
REFERÊNCIAS
Referências
57
18/10/2023
• GATTO, E. C.; FERRANDIN, M.; CERRI, R. Exploring Label Correlations for
Partitioning the Label Space in Multi-label Classification. In: 2021 International
Joint Conference on Neural Networks. IJCNN. Video. Slides.
• GATTO, E. C., VALEJO, A. D. B., FERRANDIN, M., CERRI, R. (2023).
Community Detection for Multi-label Classification. In: Naldi, M.C., Bianchi,
R.A.C. (eds) Intelligent Systems. BRACIS 2023. Lecture Notes in Computer
Science(), vol 14195. Springer, Cham. Video. Slides.
• SILVA, T. C., ZHAO, L. (2016). Machine Learning in Complex Networks.
Springer. ISBN: 978-3-319-17290-3.
SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Referências
58
18/10/2023
PRE-PRINTS
- Elaine Cecília Gatto, Mauri Ferrandin, Ricardo Cerri et al. Multi-Label
Classification with Label Clusters, 07 July 2023, PREPRINT (Version 1)
available at Research Square. [EM ANDAMENTO]
- Gatto, Elaine Cecilia and Ferrandin, Mauri and Cerri, Ricardo, Clustering Labels
in Multi-Label Learning: A Study Using Randomness and Label Correlations.
Available at SSRN: https://ssrn.com/abstract=4163294 or
http://dx.doi.org/10.2139/ssrn.4163294. [RECUSADO]
SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
Referências
59
18/10/2023
• GATTO, E. C; FERRANDIN, M.; CERRI, R. Explorando Correlações para o
particionamento do espaço de rótulos em problemas de classificação
multirrótulo. Banca de qualificação de doutorado. Video. 04/02/2021.
• GATTO, E. C. Classificação Multirrótulo: Aprendizado de Correlações. Palestra
ministrada na Semana de Computação da UNESP de São José do Rio Preto.
15/09/2023.
• GATTO, E. C., Explorando Correlações entre Rótulos usando Métodos de
Detecção de Comunidade na Classificação Multirrótulo. Palestra ministrada nos
seminários do BIOMAL. Video. 2022
• GATTO, E. C., Métodos de Detecção de Comunidades em Classificação
Multirrótulo. Artigo técnico-tutorial. 2022
SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
https://sites.google.com/view/cissagatto
“Quem sobe as escadas deve começar por baixo. Para
ser bom em alguma coisa você tem que subir um
degradu de cada vez” (Haruichi Furudate - ハイキュウ
!!)

Mais conteúdo relacionado

Semelhante a Community Detection for Multi-Label Classification - Seminários UFSCar

Administração de materiais unidade 03 14-06-07 - 108 - ppts 01 slide por fo...
Administração de materiais unidade 03   14-06-07 - 108 - ppts 01 slide por fo...Administração de materiais unidade 03   14-06-07 - 108 - ppts 01 slide por fo...
Administração de materiais unidade 03 14-06-07 - 108 - ppts 01 slide por fo...
Alex Casañas
 
Algor genetico
Algor geneticoAlgor genetico
Algor genetico
tiojoffre
 
Análise de Redes Sociais - Agroplus
Análise de Redes Sociais - AgroplusAnálise de Redes Sociais - Agroplus
Análise de Redes Sociais - Agroplus
equipeagroplus
 
2016 - WebGis para apoio ao licenciamento e regularização ambiental
2016 - WebGis para apoio ao licenciamento e regularização ambiental2016 - WebGis para apoio ao licenciamento e regularização ambiental
2016 - WebGis para apoio ao licenciamento e regularização ambiental
George Porto Ferreira
 
Apostila redes locais de computadores
Apostila redes locais de computadoresApostila redes locais de computadores
Apostila redes locais de computadores
fernandao777
 
Conhecendo mineração de dados
Conhecendo mineração de dadosConhecendo mineração de dados
Conhecendo mineração de dados
Fhabiana Thieli Machado
 
Explorando Correlações entre Rótulos usando Métodos de Detecção de Comu...
Explorando Correlações entre Rótulos usando Métodos de Detecção de Comu...Explorando Correlações entre Rótulos usando Métodos de Detecção de Comu...
Explorando Correlações entre Rótulos usando Métodos de Detecção de Comu...
Elaine Cecília Gatto
 
Kodu mathv1
Kodu mathv1Kodu mathv1
Kodu mathv1
Silva
 
PO - aula 1.pptx
PO - aula 1.pptxPO - aula 1.pptx
PO - aula 1.pptx
VeronicaTabim
 
Iptables
IptablesIptables
Iptables
Tiago
 
Mapeamento para o hackathon ufs 50 anos no hu aracaju
Mapeamento para o hackathon ufs 50 anos no hu aracajuMapeamento para o hackathon ufs 50 anos no hu aracaju
Mapeamento para o hackathon ufs 50 anos no hu aracaju
HACKATHONUFS
 
PROTÓTIPO DE SISTEMA WEB PARA UNIFICAR AS INFORMAÇÕES DAS UNIDADES DE SAÚDE M...
PROTÓTIPO DE SISTEMA WEB PARA UNIFICAR AS INFORMAÇÕES DAS UNIDADES DE SAÚDE M...PROTÓTIPO DE SISTEMA WEB PARA UNIFICAR AS INFORMAÇÕES DAS UNIDADES DE SAÚDE M...
PROTÓTIPO DE SISTEMA WEB PARA UNIFICAR AS INFORMAÇÕES DAS UNIDADES DE SAÚDE M...
Artur Rocha
 
Introdução ao Testbed FIBRE e visão de futuro
Introdução ao Testbed FIBRE e visão de futuroIntrodução ao Testbed FIBRE e visão de futuro
Introdução ao Testbed FIBRE e visão de futuro
FIBRE Testbed
 
EXPLORANDO CORRELAÇÕES PARA O PARTICIONAMENTO DO ESPAÇO DE RÓTULOS EM PROBLEM...
EXPLORANDO CORRELAÇÕES PARA O PARTICIONAMENTO DO ESPAÇO DE RÓTULOS EM PROBLEM...EXPLORANDO CORRELAÇÕES PARA O PARTICIONAMENTO DO ESPAÇO DE RÓTULOS EM PROBLEM...
EXPLORANDO CORRELAÇÕES PARA O PARTICIONAMENTO DO ESPAÇO DE RÓTULOS EM PROBLEM...
Elaine Cecília Gatto
 
EXPLORANDO CORRELAÇÕES PARA O PARTICIONAMENTO DO ESPAÇO DE RÓTULOS EM PROBLEM...
EXPLORANDO CORRELAÇÕES PARA O PARTICIONAMENTO DO ESPAÇO DE RÓTULOS EM PROBLEM...EXPLORANDO CORRELAÇÕES PARA O PARTICIONAMENTO DO ESPAÇO DE RÓTULOS EM PROBLEM...
EXPLORANDO CORRELAÇÕES PARA O PARTICIONAMENTO DO ESPAÇO DE RÓTULOS EM PROBLEM...
Elaine Cecília Gatto
 
Escalando o algoritmo de aprendizagem da estrutura da rede bayesiana k2
Escalando o algoritmo de aprendizagem da estrutura da rede bayesiana k2Escalando o algoritmo de aprendizagem da estrutura da rede bayesiana k2
Escalando o algoritmo de aprendizagem da estrutura da rede bayesiana k2
João Gabriel Lima
 
Estrutra de dados java muito bom
Estrutra de dados java muito bomEstrutra de dados java muito bom
Estrutra de dados java muito bom
Lee Aragão
 
Latinoware-2022-Phyphox criando laboratórios e experimentos com smartphones.pdf
Latinoware-2022-Phyphox criando laboratórios e experimentos com smartphones.pdfLatinoware-2022-Phyphox criando laboratórios e experimentos com smartphones.pdf
Latinoware-2022-Phyphox criando laboratórios e experimentos com smartphones.pdf
Douglas Esteves
 
Resumo do II Encontro Nacional da Rede Brasileira de Serviços de Preservação ...
Resumo do II Encontro Nacional da Rede Brasileira de Serviços de Preservação ...Resumo do II Encontro Nacional da Rede Brasileira de Serviços de Preservação ...
Resumo do II Encontro Nacional da Rede Brasileira de Serviços de Preservação ...
Carla Ferreira
 
UFPA PPGCC LPRAD 2014-02 - Edinaldo La-Roque - OPNET - Apresentacao do Simula...
UFPA PPGCC LPRAD 2014-02 - Edinaldo La-Roque - OPNET - Apresentacao do Simula...UFPA PPGCC LPRAD 2014-02 - Edinaldo La-Roque - OPNET - Apresentacao do Simula...
UFPA PPGCC LPRAD 2014-02 - Edinaldo La-Roque - OPNET - Apresentacao do Simula...
Edinaldo La-Roque
 

Semelhante a Community Detection for Multi-Label Classification - Seminários UFSCar (20)

Administração de materiais unidade 03 14-06-07 - 108 - ppts 01 slide por fo...
Administração de materiais unidade 03   14-06-07 - 108 - ppts 01 slide por fo...Administração de materiais unidade 03   14-06-07 - 108 - ppts 01 slide por fo...
Administração de materiais unidade 03 14-06-07 - 108 - ppts 01 slide por fo...
 
Algor genetico
Algor geneticoAlgor genetico
Algor genetico
 
Análise de Redes Sociais - Agroplus
Análise de Redes Sociais - AgroplusAnálise de Redes Sociais - Agroplus
Análise de Redes Sociais - Agroplus
 
2016 - WebGis para apoio ao licenciamento e regularização ambiental
2016 - WebGis para apoio ao licenciamento e regularização ambiental2016 - WebGis para apoio ao licenciamento e regularização ambiental
2016 - WebGis para apoio ao licenciamento e regularização ambiental
 
Apostila redes locais de computadores
Apostila redes locais de computadoresApostila redes locais de computadores
Apostila redes locais de computadores
 
Conhecendo mineração de dados
Conhecendo mineração de dadosConhecendo mineração de dados
Conhecendo mineração de dados
 
Explorando Correlações entre Rótulos usando Métodos de Detecção de Comu...
Explorando Correlações entre Rótulos usando Métodos de Detecção de Comu...Explorando Correlações entre Rótulos usando Métodos de Detecção de Comu...
Explorando Correlações entre Rótulos usando Métodos de Detecção de Comu...
 
Kodu mathv1
Kodu mathv1Kodu mathv1
Kodu mathv1
 
PO - aula 1.pptx
PO - aula 1.pptxPO - aula 1.pptx
PO - aula 1.pptx
 
Iptables
IptablesIptables
Iptables
 
Mapeamento para o hackathon ufs 50 anos no hu aracaju
Mapeamento para o hackathon ufs 50 anos no hu aracajuMapeamento para o hackathon ufs 50 anos no hu aracaju
Mapeamento para o hackathon ufs 50 anos no hu aracaju
 
PROTÓTIPO DE SISTEMA WEB PARA UNIFICAR AS INFORMAÇÕES DAS UNIDADES DE SAÚDE M...
PROTÓTIPO DE SISTEMA WEB PARA UNIFICAR AS INFORMAÇÕES DAS UNIDADES DE SAÚDE M...PROTÓTIPO DE SISTEMA WEB PARA UNIFICAR AS INFORMAÇÕES DAS UNIDADES DE SAÚDE M...
PROTÓTIPO DE SISTEMA WEB PARA UNIFICAR AS INFORMAÇÕES DAS UNIDADES DE SAÚDE M...
 
Introdução ao Testbed FIBRE e visão de futuro
Introdução ao Testbed FIBRE e visão de futuroIntrodução ao Testbed FIBRE e visão de futuro
Introdução ao Testbed FIBRE e visão de futuro
 
EXPLORANDO CORRELAÇÕES PARA O PARTICIONAMENTO DO ESPAÇO DE RÓTULOS EM PROBLEM...
EXPLORANDO CORRELAÇÕES PARA O PARTICIONAMENTO DO ESPAÇO DE RÓTULOS EM PROBLEM...EXPLORANDO CORRELAÇÕES PARA O PARTICIONAMENTO DO ESPAÇO DE RÓTULOS EM PROBLEM...
EXPLORANDO CORRELAÇÕES PARA O PARTICIONAMENTO DO ESPAÇO DE RÓTULOS EM PROBLEM...
 
EXPLORANDO CORRELAÇÕES PARA O PARTICIONAMENTO DO ESPAÇO DE RÓTULOS EM PROBLEM...
EXPLORANDO CORRELAÇÕES PARA O PARTICIONAMENTO DO ESPAÇO DE RÓTULOS EM PROBLEM...EXPLORANDO CORRELAÇÕES PARA O PARTICIONAMENTO DO ESPAÇO DE RÓTULOS EM PROBLEM...
EXPLORANDO CORRELAÇÕES PARA O PARTICIONAMENTO DO ESPAÇO DE RÓTULOS EM PROBLEM...
 
Escalando o algoritmo de aprendizagem da estrutura da rede bayesiana k2
Escalando o algoritmo de aprendizagem da estrutura da rede bayesiana k2Escalando o algoritmo de aprendizagem da estrutura da rede bayesiana k2
Escalando o algoritmo de aprendizagem da estrutura da rede bayesiana k2
 
Estrutra de dados java muito bom
Estrutra de dados java muito bomEstrutra de dados java muito bom
Estrutra de dados java muito bom
 
Latinoware-2022-Phyphox criando laboratórios e experimentos com smartphones.pdf
Latinoware-2022-Phyphox criando laboratórios e experimentos com smartphones.pdfLatinoware-2022-Phyphox criando laboratórios e experimentos com smartphones.pdf
Latinoware-2022-Phyphox criando laboratórios e experimentos com smartphones.pdf
 
Resumo do II Encontro Nacional da Rede Brasileira de Serviços de Preservação ...
Resumo do II Encontro Nacional da Rede Brasileira de Serviços de Preservação ...Resumo do II Encontro Nacional da Rede Brasileira de Serviços de Preservação ...
Resumo do II Encontro Nacional da Rede Brasileira de Serviços de Preservação ...
 
UFPA PPGCC LPRAD 2014-02 - Edinaldo La-Roque - OPNET - Apresentacao do Simula...
UFPA PPGCC LPRAD 2014-02 - Edinaldo La-Roque - OPNET - Apresentacao do Simula...UFPA PPGCC LPRAD 2014-02 - Edinaldo La-Roque - OPNET - Apresentacao do Simula...
UFPA PPGCC LPRAD 2014-02 - Edinaldo La-Roque - OPNET - Apresentacao do Simula...
 

Mais de Elaine Cecília Gatto

A influência da Tecnologia em cada faixa etaria
A influência da Tecnologia em cada faixa etariaA influência da Tecnologia em cada faixa etaria
A influência da Tecnologia em cada faixa etaria
Elaine Cecília Gatto
 
Inteligência Artificial Aplicada à Medicina
Inteligência Artificial Aplicada à MedicinaInteligência Artificial Aplicada à Medicina
Inteligência Artificial Aplicada à Medicina
Elaine Cecília Gatto
 
Apresentação da minha tese de doutorado no EPPC
Apresentação da minha tese de doutorado no EPPCApresentação da minha tese de doutorado no EPPC
Apresentação da minha tese de doutorado no EPPC
Elaine Cecília Gatto
 
entrevista r7.pdf
entrevista r7.pdfentrevista r7.pdf
entrevista r7.pdf
Elaine Cecília Gatto
 
Como a pesquisa científica impacta o mundo real.pptx
Como a pesquisa científica impacta o mundo real.pptxComo a pesquisa científica impacta o mundo real.pptx
Como a pesquisa científica impacta o mundo real.pptx
Elaine Cecília Gatto
 
Empoderamento Feminino
Empoderamento FemininoEmpoderamento Feminino
Empoderamento Feminino
Elaine Cecília Gatto
 
Explorando correlações entre rótulos para o particionamento do espaço de rótu...
Explorando correlações entre rótulos para o particionamento do espaço de rótu...Explorando correlações entre rótulos para o particionamento do espaço de rótu...
Explorando correlações entre rótulos para o particionamento do espaço de rótu...
Elaine Cecília Gatto
 
Community Detection Method for Multi-Label Classification
Community Detection Method for Multi-Label ClassificationCommunity Detection Method for Multi-Label Classification
Community Detection Method for Multi-Label Classification
Elaine Cecília Gatto
 
Mulheres na Campus Party assumir o feminismo ou não – Blogueiras Feministas.pdf
Mulheres na Campus Party assumir o feminismo ou não – Blogueiras Feministas.pdfMulheres na Campus Party assumir o feminismo ou não – Blogueiras Feministas.pdf
Mulheres na Campus Party assumir o feminismo ou não – Blogueiras Feministas.pdf
Elaine Cecília Gatto
 
Curtinhas de sábado.pdf
Curtinhas de sábado.pdfCurtinhas de sábado.pdf
Curtinhas de sábado.pdf
Elaine Cecília Gatto
 
Pipeline desdobramento escalonamento
Pipeline desdobramento escalonamentoPipeline desdobramento escalonamento
Pipeline desdobramento escalonamento
Elaine Cecília Gatto
 
Cheat sheet Mips 32 bits
Cheat sheet Mips 32 bitsCheat sheet Mips 32 bits
Cheat sheet Mips 32 bits
Elaine Cecília Gatto
 
Resumo das Instruções de Desvio Incondicionais MIPS 32 bits
Resumo das Instruções de Desvio Incondicionais MIPS 32 bitsResumo das Instruções de Desvio Incondicionais MIPS 32 bits
Resumo das Instruções de Desvio Incondicionais MIPS 32 bits
Elaine Cecília Gatto
 
Como descobrir e classificar coisas usando machine learning sem compilcação
Como descobrir e classificar coisas usando machine learning sem compilcaçãoComo descobrir e classificar coisas usando machine learning sem compilcação
Como descobrir e classificar coisas usando machine learning sem compilcação
Elaine Cecília Gatto
 
Exploring label correlations for partitioning the label space in multi label ...
Exploring label correlations for partitioning the label space in multi label ...Exploring label correlations for partitioning the label space in multi label ...
Exploring label correlations for partitioning the label space in multi label ...
Elaine Cecília Gatto
 
Número de Bell
Número de BellNúmero de Bell
Número de Bell
Elaine Cecília Gatto
 
Coeficiente da Silhueta
Coeficiente da SilhuetaCoeficiente da Silhueta
Coeficiente da Silhueta
Elaine Cecília Gatto
 
Exercicios Resolvidos Série MIPS Embarcados
Exercicios Resolvidos Série MIPS EmbarcadosExercicios Resolvidos Série MIPS Embarcados
Exercicios Resolvidos Série MIPS Embarcados
Elaine Cecília Gatto
 
Female gamers
Female gamersFemale gamers
Female gamers
Elaine Cecília Gatto
 
Machine Learning: O que é, por onde começar e desafios
Machine Learning: O que é, por onde começar e desafiosMachine Learning: O que é, por onde começar e desafios
Machine Learning: O que é, por onde começar e desafios
Elaine Cecília Gatto
 

Mais de Elaine Cecília Gatto (20)

A influência da Tecnologia em cada faixa etaria
A influência da Tecnologia em cada faixa etariaA influência da Tecnologia em cada faixa etaria
A influência da Tecnologia em cada faixa etaria
 
Inteligência Artificial Aplicada à Medicina
Inteligência Artificial Aplicada à MedicinaInteligência Artificial Aplicada à Medicina
Inteligência Artificial Aplicada à Medicina
 
Apresentação da minha tese de doutorado no EPPC
Apresentação da minha tese de doutorado no EPPCApresentação da minha tese de doutorado no EPPC
Apresentação da minha tese de doutorado no EPPC
 
entrevista r7.pdf
entrevista r7.pdfentrevista r7.pdf
entrevista r7.pdf
 
Como a pesquisa científica impacta o mundo real.pptx
Como a pesquisa científica impacta o mundo real.pptxComo a pesquisa científica impacta o mundo real.pptx
Como a pesquisa científica impacta o mundo real.pptx
 
Empoderamento Feminino
Empoderamento FemininoEmpoderamento Feminino
Empoderamento Feminino
 
Explorando correlações entre rótulos para o particionamento do espaço de rótu...
Explorando correlações entre rótulos para o particionamento do espaço de rótu...Explorando correlações entre rótulos para o particionamento do espaço de rótu...
Explorando correlações entre rótulos para o particionamento do espaço de rótu...
 
Community Detection Method for Multi-Label Classification
Community Detection Method for Multi-Label ClassificationCommunity Detection Method for Multi-Label Classification
Community Detection Method for Multi-Label Classification
 
Mulheres na Campus Party assumir o feminismo ou não – Blogueiras Feministas.pdf
Mulheres na Campus Party assumir o feminismo ou não – Blogueiras Feministas.pdfMulheres na Campus Party assumir o feminismo ou não – Blogueiras Feministas.pdf
Mulheres na Campus Party assumir o feminismo ou não – Blogueiras Feministas.pdf
 
Curtinhas de sábado.pdf
Curtinhas de sábado.pdfCurtinhas de sábado.pdf
Curtinhas de sábado.pdf
 
Pipeline desdobramento escalonamento
Pipeline desdobramento escalonamentoPipeline desdobramento escalonamento
Pipeline desdobramento escalonamento
 
Cheat sheet Mips 32 bits
Cheat sheet Mips 32 bitsCheat sheet Mips 32 bits
Cheat sheet Mips 32 bits
 
Resumo das Instruções de Desvio Incondicionais MIPS 32 bits
Resumo das Instruções de Desvio Incondicionais MIPS 32 bitsResumo das Instruções de Desvio Incondicionais MIPS 32 bits
Resumo das Instruções de Desvio Incondicionais MIPS 32 bits
 
Como descobrir e classificar coisas usando machine learning sem compilcação
Como descobrir e classificar coisas usando machine learning sem compilcaçãoComo descobrir e classificar coisas usando machine learning sem compilcação
Como descobrir e classificar coisas usando machine learning sem compilcação
 
Exploring label correlations for partitioning the label space in multi label ...
Exploring label correlations for partitioning the label space in multi label ...Exploring label correlations for partitioning the label space in multi label ...
Exploring label correlations for partitioning the label space in multi label ...
 
Número de Bell
Número de BellNúmero de Bell
Número de Bell
 
Coeficiente da Silhueta
Coeficiente da SilhuetaCoeficiente da Silhueta
Coeficiente da Silhueta
 
Exercicios Resolvidos Série MIPS Embarcados
Exercicios Resolvidos Série MIPS EmbarcadosExercicios Resolvidos Série MIPS Embarcados
Exercicios Resolvidos Série MIPS Embarcados
 
Female gamers
Female gamersFemale gamers
Female gamers
 
Machine Learning: O que é, por onde começar e desafios
Machine Learning: O que é, por onde começar e desafiosMachine Learning: O que é, por onde começar e desafios
Machine Learning: O que é, por onde começar e desafios
 

Último

Guia referencial de Apoio - Planejamento Escolar 2024.pdf
Guia referencial de Apoio - Planejamento Escolar 2024.pdfGuia referencial de Apoio - Planejamento Escolar 2024.pdf
Guia referencial de Apoio - Planejamento Escolar 2024.pdf
FLAVIOROBERTOGOUVEA
 
Relatório de Atividades 2017 CENSIPAM.pdf
Relatório de Atividades 2017 CENSIPAM.pdfRelatório de Atividades 2017 CENSIPAM.pdf
Relatório de Atividades 2017 CENSIPAM.pdf
Falcão Brasil
 
EBOOK_HORA DO CONTO_O MONSTRO DAS CORES_ANGELINA & MÓNICA_22_23
EBOOK_HORA DO CONTO_O MONSTRO DAS CORES_ANGELINA & MÓNICA_22_23EBOOK_HORA DO CONTO_O MONSTRO DAS CORES_ANGELINA & MÓNICA_22_23
EBOOK_HORA DO CONTO_O MONSTRO DAS CORES_ANGELINA & MÓNICA_22_23
Sandra Pratas
 
1°ao5°ano_HISTÓRIA_ORGANIZADOR CURRICULAR BIMESTRAL (1) educação infantil fu...
1°ao5°ano_HISTÓRIA_ORGANIZADOR CURRICULAR BIMESTRAL (1)  educação infantil fu...1°ao5°ano_HISTÓRIA_ORGANIZADOR CURRICULAR BIMESTRAL (1)  educação infantil fu...
1°ao5°ano_HISTÓRIA_ORGANIZADOR CURRICULAR BIMESTRAL (1) educação infantil fu...
antonio carlos
 
Temática – Projeto para Empreendedores Locais
Temática – Projeto para Empreendedores LocaisTemática – Projeto para Empreendedores Locais
Temática – Projeto para Empreendedores Locais
Colaborar Educacional
 
Guerra de reconquista da Península ibérica
Guerra de reconquista da Península ibéricaGuerra de reconquista da Península ibérica
Guerra de reconquista da Península ibérica
felipescherner
 
A experiência do professor. Publicado EM 08.07.2024
A experiência do professor. Publicado EM 08.07.2024A experiência do professor. Publicado EM 08.07.2024
A experiência do professor. Publicado EM 08.07.2024
Espanhol Online
 
Relatório de Atividades 2011 CENSIPAM.pdf
Relatório de Atividades 2011 CENSIPAM.pdfRelatório de Atividades 2011 CENSIPAM.pdf
Relatório de Atividades 2011 CENSIPAM.pdf
Falcão Brasil
 
Alfabetização de adultos.pdf
Alfabetização de             adultos.pdfAlfabetização de             adultos.pdf
Alfabetização de adultos.pdf
arodatos81
 
IV Jornada Nacional Tableau - Apresentações.pptx
IV Jornada Nacional Tableau - Apresentações.pptxIV Jornada Nacional Tableau - Apresentações.pptx
IV Jornada Nacional Tableau - Apresentações.pptx
Ligia Galvão
 
Apostila em LIBRAS - Curso Básico ENAP 2019.pdf
Apostila em LIBRAS - Curso Básico ENAP 2019.pdfApostila em LIBRAS - Curso Básico ENAP 2019.pdf
Apostila em LIBRAS - Curso Básico ENAP 2019.pdf
pattyhsilva271204
 
Texto e atividade - O que fazemos com a água que usamos.
Texto e atividade -  O que fazemos com a água que usamos.Texto e atividade -  O que fazemos com a água que usamos.
Texto e atividade - O que fazemos com a água que usamos.
Mary Alvarenga
 
Mini livro sanfona - Minha Escola Tem História.
Mini livro  sanfona - Minha Escola Tem História. Mini livro  sanfona - Minha Escola Tem História.
Mini livro sanfona - Minha Escola Tem História.
Mary Alvarenga
 
Caderno_de_referencias_Ocupacaohumana_IV_FlaviaCoelho_compressed.pdf
Caderno_de_referencias_Ocupacaohumana_IV_FlaviaCoelho_compressed.pdfCaderno_de_referencias_Ocupacaohumana_IV_FlaviaCoelho_compressed.pdf
Caderno_de_referencias_Ocupacaohumana_IV_FlaviaCoelho_compressed.pdf
shirleisousa9166
 
Noite Alva! José Ernesto Ferraresso.ppsx
Noite Alva! José Ernesto Ferraresso.ppsxNoite Alva! José Ernesto Ferraresso.ppsx
Noite Alva! José Ernesto Ferraresso.ppsx
Luzia Gabriele
 
Licao de adultos Topico 1 CPAD edit.pptx
Licao de adultos Topico 1 CPAD edit.pptxLicao de adultos Topico 1 CPAD edit.pptx
Licao de adultos Topico 1 CPAD edit.pptx
jetroescola
 
Acróstico - Bullying é crime!
Acróstico - Bullying é crime!Acróstico - Bullying é crime!
Acróstico - Bullying é crime!
Mary Alvarenga
 
Oficina de bases de dados - Dimensions.pdf
Oficina de bases de dados - Dimensions.pdfOficina de bases de dados - Dimensions.pdf
Oficina de bases de dados - Dimensions.pdf
beathrizalves131
 
Aprendizagem Imersiva: Conceitos e Caminhos
Aprendizagem Imersiva: Conceitos e CaminhosAprendizagem Imersiva: Conceitos e Caminhos
Aprendizagem Imersiva: Conceitos e Caminhos
Leonel Morgado
 

Último (20)

Guia referencial de Apoio - Planejamento Escolar 2024.pdf
Guia referencial de Apoio - Planejamento Escolar 2024.pdfGuia referencial de Apoio - Planejamento Escolar 2024.pdf
Guia referencial de Apoio - Planejamento Escolar 2024.pdf
 
Relatório de Atividades 2017 CENSIPAM.pdf
Relatório de Atividades 2017 CENSIPAM.pdfRelatório de Atividades 2017 CENSIPAM.pdf
Relatório de Atividades 2017 CENSIPAM.pdf
 
EBOOK_HORA DO CONTO_O MONSTRO DAS CORES_ANGELINA & MÓNICA_22_23
EBOOK_HORA DO CONTO_O MONSTRO DAS CORES_ANGELINA & MÓNICA_22_23EBOOK_HORA DO CONTO_O MONSTRO DAS CORES_ANGELINA & MÓNICA_22_23
EBOOK_HORA DO CONTO_O MONSTRO DAS CORES_ANGELINA & MÓNICA_22_23
 
FOTOS_AS CIÊNCIAS EM AÇÃO .
FOTOS_AS CIÊNCIAS EM AÇÃO                .FOTOS_AS CIÊNCIAS EM AÇÃO                .
FOTOS_AS CIÊNCIAS EM AÇÃO .
 
1°ao5°ano_HISTÓRIA_ORGANIZADOR CURRICULAR BIMESTRAL (1) educação infantil fu...
1°ao5°ano_HISTÓRIA_ORGANIZADOR CURRICULAR BIMESTRAL (1)  educação infantil fu...1°ao5°ano_HISTÓRIA_ORGANIZADOR CURRICULAR BIMESTRAL (1)  educação infantil fu...
1°ao5°ano_HISTÓRIA_ORGANIZADOR CURRICULAR BIMESTRAL (1) educação infantil fu...
 
Temática – Projeto para Empreendedores Locais
Temática – Projeto para Empreendedores LocaisTemática – Projeto para Empreendedores Locais
Temática – Projeto para Empreendedores Locais
 
Guerra de reconquista da Península ibérica
Guerra de reconquista da Península ibéricaGuerra de reconquista da Península ibérica
Guerra de reconquista da Península ibérica
 
A experiência do professor. Publicado EM 08.07.2024
A experiência do professor. Publicado EM 08.07.2024A experiência do professor. Publicado EM 08.07.2024
A experiência do professor. Publicado EM 08.07.2024
 
Relatório de Atividades 2011 CENSIPAM.pdf
Relatório de Atividades 2011 CENSIPAM.pdfRelatório de Atividades 2011 CENSIPAM.pdf
Relatório de Atividades 2011 CENSIPAM.pdf
 
Alfabetização de adultos.pdf
Alfabetização de             adultos.pdfAlfabetização de             adultos.pdf
Alfabetização de adultos.pdf
 
IV Jornada Nacional Tableau - Apresentações.pptx
IV Jornada Nacional Tableau - Apresentações.pptxIV Jornada Nacional Tableau - Apresentações.pptx
IV Jornada Nacional Tableau - Apresentações.pptx
 
Apostila em LIBRAS - Curso Básico ENAP 2019.pdf
Apostila em LIBRAS - Curso Básico ENAP 2019.pdfApostila em LIBRAS - Curso Básico ENAP 2019.pdf
Apostila em LIBRAS - Curso Básico ENAP 2019.pdf
 
Texto e atividade - O que fazemos com a água que usamos.
Texto e atividade -  O que fazemos com a água que usamos.Texto e atividade -  O que fazemos com a água que usamos.
Texto e atividade - O que fazemos com a água que usamos.
 
Mini livro sanfona - Minha Escola Tem História.
Mini livro  sanfona - Minha Escola Tem História. Mini livro  sanfona - Minha Escola Tem História.
Mini livro sanfona - Minha Escola Tem História.
 
Caderno_de_referencias_Ocupacaohumana_IV_FlaviaCoelho_compressed.pdf
Caderno_de_referencias_Ocupacaohumana_IV_FlaviaCoelho_compressed.pdfCaderno_de_referencias_Ocupacaohumana_IV_FlaviaCoelho_compressed.pdf
Caderno_de_referencias_Ocupacaohumana_IV_FlaviaCoelho_compressed.pdf
 
Noite Alva! José Ernesto Ferraresso.ppsx
Noite Alva! José Ernesto Ferraresso.ppsxNoite Alva! José Ernesto Ferraresso.ppsx
Noite Alva! José Ernesto Ferraresso.ppsx
 
Licao de adultos Topico 1 CPAD edit.pptx
Licao de adultos Topico 1 CPAD edit.pptxLicao de adultos Topico 1 CPAD edit.pptx
Licao de adultos Topico 1 CPAD edit.pptx
 
Acróstico - Bullying é crime!
Acróstico - Bullying é crime!Acróstico - Bullying é crime!
Acróstico - Bullying é crime!
 
Oficina de bases de dados - Dimensions.pdf
Oficina de bases de dados - Dimensions.pdfOficina de bases de dados - Dimensions.pdf
Oficina de bases de dados - Dimensions.pdf
 
Aprendizagem Imersiva: Conceitos e Caminhos
Aprendizagem Imersiva: Conceitos e CaminhosAprendizagem Imersiva: Conceitos e Caminhos
Aprendizagem Imersiva: Conceitos e Caminhos
 

Community Detection for Multi-Label Classification - Seminários UFSCar

  • 1. COMMUNITY DETECTION FOR MULTI-LABEL CLASSIFICATION Elaine Cecília Gatto | Alan Valejo | Mauri Ferrandin | Ricardo Cerri
  • 2. 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR 2 Co-orientador UFSC Elaine Cecília Gatto - Cissa Alan Demétrius Baria Valejo Orientador UFSCar Ricardo Cerri Doutoranda UFSCar Mauri Ferrandin Colaborador UFSCar Pesquisadores
  • 3. AGENDA • Introdução • Método proposto • Experimento • Resultados • Conclusão 3 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
  • 5. Classificação 5 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR 10 questões Gabarito Sua Nota Sua Prova 10 questões Acertou 6 Errou 4 - Como a Professora tem o gabarito da prova, ela consegue calcular rapidamente o quanto você aprendeu. - Assim, comparando sua prova com o gabarito, é possível fornecer sua nota, que é correspondente ao quanto você acertou. -Se 6.0 é o suficiente para passar na disciplina, então você está aprovado! Caso contrário, você terá que cursar novamente a disciplina e obter uma nova maior. Esse processo será repetido até que você consiga obter uma nova igual ou superior a 6.0 - Essa nota também representa a quantidade de conhecimento que você conseguiu aprender.
  • 6. Classificação 6 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR Dados de Treino Aprendizado (treinamento) Modelo Dados de Teste Modelo É satisfatória? Resposta ou Saída do Modelo. Sim Não Início FIM
  • 7. Classificação 7 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR CLASSIFICAÇÃO MULTIRRÓTULO: É uma tarefa preditiva supervisionada do aprendizado de máquina que tem como objetivo induzir um modelo que prediz múltiplos rótulos (classes) para uma instância.
  • 8. Classificação Multirrótulo 8 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR Problema Multirrótulo Atributos de entrada Atributos de Saída Instâncias Att1 Att2 ... Atta Y1 Y2 ... Yl x1 0 1 ... 0 x2 1 1 ... 1 ... … … … … … … … … xm 1 1 ... 0
  • 9. Correlações entre rótulos 9 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
  • 10. Como resolver um problema de classificação multirrótulo? 10 18/10/2023 1. Abordagem Global ○ Novos modelos ou adaptação de modelos existentes; ○ Aprende todos os rótulos de uma única vez; ○ Não aprende corretamente as correlações; ○ Indução de um único modelo (um classificador); Há recursos computacionais suficientes para aprender milhões de rótulos de uma vez só? Árvores de Decisão, Algoritmos Genéticos, Redes Neurais, etc., específicos para o problema. SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
  • 11. Como resolver um problema de classificação multirrótulo? 11 18/10/2023 2. Abordagem Local 1. Divide o problema original em subproblemas; 2. Aprende cada rótulo de forma individual; 3. Não aprende as correlações; 4. Indução de um modelo por rótulo; Se o dataset possuir milhões de rótulos, serão induzidos milhões de classificadores. Classificadores base são usados junto com os métodos de transformação da abordagem local: SVM, árvores, etc. SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
  • 12. 12 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR Mas, e se houvesse outra ABORDAGEM para resolver o problema Multirrótulo? Tirar proveito das vantagens e mitigar as desvantagens das abordagens local e global
  • 14. 14 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR HYBRID PARTITIONS FOR MULTI-LABEL CLASSIFICATION (HPML)
  • 15. 15 18/10/2023 • Pergunta de Pesquisa: No domínio de problemas de classificação multirrótulo, é possível encontrar múltiplas partições híbridas nos dados multirrótulo, e escolher uma entre elas que melhore o desempenho preditivo do classificador em relação às tradicionais abordagens global e local? • Número de Bell: 0=1, 1=1, 2=2, 3=5, 4=15, 5=52, 6=203, 7=877, 8=4.140, 9=21.147, 10=115.975, 11=678.570, 12=4.213.597, 13 = 27.644.437. SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR HYBRID PARTITIONS FOR MULTI-LABEL CLASSIFICATION (HPML)
  • 16. 16 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR HYBRID PARTITIONS FOR MULTI-LABEL CLASSIFICATION (HPML)
  • 17. 17 Método de estratificação específico para dados multirrótulo 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR HYBRID PARTITIONS FOR MULTI-LABEL CLASSIFICATION (HPML)
  • 18. 18 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR HYBRID PARTITIONS FOR MULTI-LABEL CLASSIFICATION (HPML)
  • 19. Métodos de Detecção de Comunidades 19 18/10/2023 • Origem: Redes complexas, grafos; • Comunidade: • A topologia da rede pode codificar interações entre os dados sistematicamente e encontrar relacionamentos entre eles; • É um conjunto de vértices com muitas arestas dentro da comunidade e algumas arestas fora dela. • Métodos para detecção de comunidade: • São técnicas para descobrir estruturas adjacentes e entender como a estrutura da rede se relaciona com o comportamento do sistema; • São algoritmos de particionamento de grafos, isto é, dividem os vértices em grupos minimizando o número de arestas entre eles; • Ajudam a entender como as relações entre pessoas e grupos no Facebook funcionam, assim como os fatores e estruturas envolvidos na relação. SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
  • 20. 20 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR Comunidades de interação proteína-proteína em células cancerígenas de ratos https://www.semanticsch olar.org/reader/9be428c 9383d47b86570b1b9fc2 0faf006346c5d Métodos de Detecção de Comunidades
  • 21. 21 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR Métodos de Detecção de Comunidades Matriz de Similaridade Grafo de co- ocorrência Esparcificação Métodos de Detecção de Comunidades Grafo K- NN K-NN Threshold Grafo Threshold Hierárquicos Não-Hierárquicos vértices = rótulos arestas = correlações pesos = correlações Passo-2 Passo-3
  • 22. 22 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR Métodos de Detecção de Comunidades EXEMPLO: VAR = RÓTULOS
  • 23. 23 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
  • 24. 24 Grafo com Self-Loops Grafo sem Self-Loops 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR Métodos de Detecção de Comunidades
  • 25. 25 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR Métodos de Detecção de Comunidades Threshold = 10% K-NN = 5
  • 26. 26 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR HYBRID PARTITIONS FOR MULTI-LABEL CLASSIFICATION (HPML)
  • 27. 27 18/10/2023 HIERÁRQUICOS SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR a) Walk Trap: caminhos aleatórios b) Edge Betweenness: número de caminhos mais curtos através da aresta c) Fast Greedy: ganho de modularidade NÃO HIERÁRQUICOS d) Louvain: método multinível baseado em Fast Greedy e) Label Propagation: rótulo mais frequente f) Info Map: método multinível baseado na equação do mapa g) Spin Glass: modelos de rotação HYBRID PARTITIONS FOR MULTI-LABEL CLASSIFICATION (HPML)
  • 28. 28 INFO MAP NÃO HIERÁRQUICO: particionamento único 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR HYBRID PARTITIONS FOR MULTI-LABEL CLASSIFICATION (HPML)
  • 29. 29 WALK TRAP HIERÁRQUICO: vários particionamentos DENDROGRAMA 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR HYBRID PARTITIONS FOR MULTI-LABEL CLASSIFICATION (HPML)
  • 30. 30 WALK TRAP DENDROGRAMA 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR HYBRID PARTITIONS FOR MULTI-LABEL CLASSIFICATION (HPML) HIERÁRQUICO: vários particionamentos
  • 31. 31 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR O número total de partições de rótulos geradas é igual ao número total de rótulos do dataset Os números dentro de cada célula da tabela correspondem ao número da comunidade (ou grupo) a que o rótulo pertence HYBRID PARTITIONS FOR MULTI-LABEL CLASSIFICATION (HPML) Resultado dos cortes
  • 32. 32 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR - Medida de modularidade como critério de escolha de um método - Mede a separação entre vértices; - Quantifica a densidade de ligações dentro das comunidades em comparação com ligações entre comunidades; - Constrói os conjuntos de dados correspondentes HYBRID PARTITIONS FOR MULTI-LABEL CLASSIFICATION (HPML)
  • 33. 33 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR HYBRID PARTITIONS FOR MULTI-LABEL CLASSIFICATION (HPML)
  • 34. 34 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR HYBRID PARTITIONS FOR MULTI-LABEL CLASSIFICATION (HPML)
  • 35. 35 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
  • 36. 36 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR HYBRID PARTITIONS FOR MULTI-LABEL CLASSIFICATION (HPML)
  • 37. 37 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR HYBRID PARTITIONS FOR MULTI-LABEL CLASSIFICATION (HPML) Classificador com versão global e local – CLUS Framework Usar o mesmo classificador em todos os particionamentos Objetivo é comparar partições e não métodos
  • 39. Datasets Multirrótulo 39 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
  • 40. Métodos Comparados 40 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
  • 41. Medidas de Avaliação Multirrótulo 41 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR proporção de rótulos que nunca são preditos
  • 43. Métodos de Detecção de Comunidades mais escolhidos 43 Hierárquico C.D.M. Não-Hierárquico C.D.M. Jaccard Index Hierárquico C.D.M. Não-Hierárquico C.D.M. Rogers Tanimoto Hierárquico C.D.M. Não-Hierárquico C.D.M. Random KNN TR KNN TR KNN TR KNN TR KNN TR KNN TR Edge Betweenness WalkTrap WalkTrap WalkTrap Info Map Info Map Info Map 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
  • 44. Partição híbrida mais escolhida 44 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR Partição Híbrida mais escolhida em geral: Uma partição híbrida com 2 clusters está mais próxima de uma partição global composta por um único cluster. Esta pode ser uma das razões pelas quais nossos resultados de desempenho são competitivos em comparação com outras partições, superam os globais e não são superiores às locais para alguns conjuntos de dados.
  • 45. Desempenho 45 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR GRÁFICO DE VITÓRIAS, DERROTAS E EMPATES - Embasado no valor de desempenho que varia entre 0.0 e 1.0 VITÓRIAS: Quantas vezes um método obteve melhor desempenho preditivo com relação à todos os outros. DERROTAS: Quantas vezes um método obteve pior desempenho preditivo com relação à todos os outros. EMPATES: Quantas vezes um método obteve o mesmo valor de desempenho preditivo com relação à todos os outros.
  • 46. Desempenho 46 PARTIÇÕES ALEATÓRIAS - Melhor ou superior que local em alguns datasets - Superior que o global em muitos datasets PARTIÇÕES HÍBRIDAS - Melhor ou superior que local em alguns datasets - Superior que o global em muitos datasets HÍBRIDAS - ALEATÓRIAS - LOCAL Resultados competitivos PARTIÇÃO LOCAL Melhores resultados PARTIÇÃO GLOBAL Piores resultados Valores de Performance Em geral, para todos os datasets, métodos e particionamentos 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
  • 47. Desempenho 47 MACRO-F1 - Pior = 0.0 | Melhor = 1.0 - Valores muito baixos: ~0.3 MLP - Pior = 1.0 | Melhor = 0.0 - Valores muito altos: ~0.9 - Alto erro de predição Em geral: • HPML foi capaz de gerar partições que podem melhorar o desempenho preditivo do classificador; • Baixo nível de correlações entre rótulos nos datasets • Partições aleatórias também foram melhores e competitivas • Abordagens tradicionais falham em aprender os rótulos e explorar as correlações • Apesar de tudo isso, o HPML funcinou! 18/10/2023 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
  • 48. 48 18/10/2023 Teste Estatístico: Friedman & Nemenyi SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR Não há diferenças estatísticas significativas entre: Lo e NH.Ra Lo e H.HPML G, H-Ra, NH.HPML e algumas H.HMPL Não há diferenças estatísticas significativas entre: Local e Global
  • 49. 49 18/10/2023 Teste Estatístico: Friedman & Nemenyi SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR Não há diferenças estatísticas significativas entre: Local, NH.Ra, H.Ra, H.HPML e algumas NH.HPML H.HPML e NH.HPML Não há diferenças estatísticas significativas entre: Local e Global
  • 51. 51 18/10/2023 • As partições híbridas obtiveram resultados competitivos, ou melhores, em diversos datasets, com relação às outras partições; • Portanto, é possível encontrar partições entre as local e global que são capazes de melhorar o desempenho preditivo; • O desempenho médio é competitivo entre todos os métodos e datasets; SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR Conclusão
  • 52. 52 18/10/2023 • Independente do tipo de particionamento usado (local, global, aleatório ou híbrido), pode-se concluir que: • Não há melhoria significativa apesar dos resultados competitivos; • Grande parte dos rótulos não foi aprendido nem predito corretamente pelo classificador; • O classificador tem dificuldades em aprender todos os rótulos, as correlações entre os rótulos e também dificuldades na predição correta dos mesmos. SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR Conclusão
  • 53. 53 18/10/2023 • É preciso melhorar os métodos das abordagens multirrótulo pois: • Independentemente do tipo de particionamento usado; • Independentemente de as correlações entre rótulos terem sido modeladas/aprendidas/exploradas ou não; • Não é possível afirmar com absoluta certeza que eles estão aprendendo corretamente os rótulos. SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR Conclusão
  • 54. Conclusão 54 18/10/2023 • No entanto, mesmo com todas essas dificuldades, a pesquisa mostrou que: • É possível encontrar partições híbridas que conseguem melhorar o desempenho, portanto, há espaço para crescimento e melhorias; • É melhor usar uma partição composta por grupos de rótulos (correlacionados ou aleatórios) do que uma partição com um único grupo; • É um problema que precisa de mais investigação e atenção da comunidade científica. SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
  • 55. Trabalhos Futuros 55 18/10/2023 - Utilizar outros datasets, com maior número de rótulos; - Testar as partições com outros classificadores multirrótulo capazes de lidar com as diferentes composições de grupos de rótulos; - Analisar os resultados com outras medidas de avaliação para classificação multirrótulo; - Gerar partições híbridas com outros métodos de particionamento; - Modelar as correlações entre os rótulos com outras técnicas; SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
  • 57. Referências 57 18/10/2023 • GATTO, E. C.; FERRANDIN, M.; CERRI, R. Exploring Label Correlations for Partitioning the Label Space in Multi-label Classification. In: 2021 International Joint Conference on Neural Networks. IJCNN. Video. Slides. • GATTO, E. C., VALEJO, A. D. B., FERRANDIN, M., CERRI, R. (2023). Community Detection for Multi-label Classification. In: Naldi, M.C., Bianchi, R.A.C. (eds) Intelligent Systems. BRACIS 2023. Lecture Notes in Computer Science(), vol 14195. Springer, Cham. Video. Slides. • SILVA, T. C., ZHAO, L. (2016). Machine Learning in Complex Networks. Springer. ISBN: 978-3-319-17290-3. SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
  • 58. Referências 58 18/10/2023 PRE-PRINTS - Elaine Cecília Gatto, Mauri Ferrandin, Ricardo Cerri et al. Multi-Label Classification with Label Clusters, 07 July 2023, PREPRINT (Version 1) available at Research Square. [EM ANDAMENTO] - Gatto, Elaine Cecilia and Ferrandin, Mauri and Cerri, Ricardo, Clustering Labels in Multi-Label Learning: A Study Using Randomness and Label Correlations. Available at SSRN: https://ssrn.com/abstract=4163294 or http://dx.doi.org/10.2139/ssrn.4163294. [RECUSADO] SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
  • 59. Referências 59 18/10/2023 • GATTO, E. C; FERRANDIN, M.; CERRI, R. Explorando Correlações para o particionamento do espaço de rótulos em problemas de classificação multirrótulo. Banca de qualificação de doutorado. Video. 04/02/2021. • GATTO, E. C. Classificação Multirrótulo: Aprendizado de Correlações. Palestra ministrada na Semana de Computação da UNESP de São José do Rio Preto. 15/09/2023. • GATTO, E. C., Explorando Correlações entre Rótulos usando Métodos de Detecção de Comunidade na Classificação Multirrótulo. Palestra ministrada nos seminários do BIOMAL. Video. 2022 • GATTO, E. C., Métodos de Detecção de Comunidades em Classificação Multirrótulo. Artigo técnico-tutorial. 2022 SEMINÁRIOS DO DEPARTAMENTO DE COMPUTAÇÃO DA UFSCAR
  • 60. https://sites.google.com/view/cissagatto “Quem sobe as escadas deve começar por baixo. Para ser bom em alguma coisa você tem que subir um degradu de cada vez” (Haruichi Furudate - ハイキュウ !!)