O documento apresenta uma abordagem para classificação multirrótulo que explora correlações entre rótulos usando métodos de detecção de comunidade. A abordagem propõe gerar partições híbridas globais e locais dos rótulos usando esses métodos e avalia seu desempenho em comparação com partições convencionais. Os resultados indicam que as partições híbridas obtiveram desempenho melhor ou competitivo em diversos conjuntos de dados.

1. Explorando Correlações
entre Rótulos usando
Métodos de Detecção de
Comunidade na
Classificação Multirrótulo
Elaine Cecília Gatto
05/07/2022

2. AGENDA
Introdução
- Classificação
Multirrótulo
- Métodos de
Detecção de
Comunidade
- Partições Híbridas
Abordagem
Proposta
- 7 passos!
Experimentos
- Partição Global
- Partição Local
- Partições Aleatórias
- Set-up
Resultados
Conclusões

3. INTRODUÇÃO

4. ● Tarefa da Classificação
Multirrótulo;
● Abordagens Global e Local;
● Correlações entre Rótulos;
● Métodos de Detecção de
Comunidades.
INTRODUÇÃO

6. ABORDAGEM
PROPOSTA

9. a = (Label1 == 1) E (Label2 == 1) b = (Label1 == 0) E (Label2 == 1)
c = (Label1 == 1) E (Label2 == 0) d = (Label1 == 0) E (Label2 == 0)

10. k-NN sparsification: k varia de 1 até L - 1;
Threshold: remove uma porcentagem das arestas;
Como consequência muitos grafos são gerados.

11. Métodos de Detecção de Comunidade
- Podem modelar as correlações entre rótulos pois encontram relações entre os
dados;
- São algoritmos de particionamento de grafos:
- Dividem os vértices em grupo de forma que as arestas entre eles são
minimizadas;
- Uma comunidade é um grupo de vértices com muitas arestas dentro da
comunidade e poucas arestas fora da comunidade;

12. Métodos de Detecção de Comunidade
- Walktrap: baseado em caminhadas aleatórias;
- Fast Greedy: baseado no ganho de modularidade;
- Edge Betweenness: baseado no número de caminhos mais curtos através da
aresta;
- Louvain: método multinível baseado em FastGreedy;
- Infomap: método multinível baseado na equação do mapa;
- SpinGlass: baseado em Potts Spin Glass;
- Label Propagation: cada vértice é atribuído ao rótulo mais frequente entre seus
vizinhos.

13. Modularidade: mede a separação entre vértices, quantificando a
densidade de links dentro de comunidades em comparação com
links entre comunidades;

14. Coeficiente da Silhueta: mede a qualidade das partições com base
na proximidade entre os rótulos de um determinado cluster e a
distância entre esses rótulos e o cluster mais próximo.

16. EXPERIMENTOS

17. DATASETS

18. ● 10 fold cross validation;
● Estratificação específica para classificação
multirrótulo;
● UTIML: pacote do R específico para classificação
multirrótulo. 22 medidas de avaliação de desempenho
disponíveis;
● CLUS framework
EXPERIMENTOS

19. GLOBAL

20. LOCAL

21. RANDOM

22. RESULTADOS

23. MÉTODOS

24. MACRO-F1

25. Em geral:
- Melhor Desempenho: Partições Locais;
- Pior Desempenho: Partições Globais;
- Partições Híbridas e Aleatórias:
- Melhores que as Partições Globais;
- Melhores que as Partições Locais em
alguns datasets;
- Competitivas entre si;
RESULTADOS

26. - Sparsification methods: k-NN obteve
desempenhos ligeiramente melhores quando
comparados ao threshold;
- Hierarchical methods: Jaccard index foi
melhor que Rogers-Tanimoto;
- Non-Hierarchical methods:
Rogers-Tanimoto em geral foi melhor que
Jaccard index.
RESULTADOS

27. - Friedman Test: indicou que há diferença
estatística entre os métodos comparados;
- Nemenyi Post Hoc Test: Não há diferenças
estatísticas entre
- partições aleatórias e locais;
- partições aleatórias e globais;
- partições híbridas e locais;
RESULTADOS

28. CONCLUSÕES

29. - As partições híbridas foram capazes de obter
resultados melhores, ou competitivos, em
vários conjuntos de dados em comparação
com as outras partições;
- As abordagens locais e globais convencionais
e amplamente utilizadas podem não estar
usando corretamente as correlações de
rótulos;
CONCLUSÕES

30. - Trabalhos Futuros:
- Testar a abordagem com outro
classificador;
- Verificar as outras medidas de avaliação
multirrótulo;
CONCLUSÕES

31. Tutoriais:
1. https://rpubs.com/cissagatto/MultiLabelSimilaritiesMeasures
2. https://rpubs.com/cissagatto/CommunitiesDetectionMultiLabel
Artigo: https://ieeexplore.ieee.org/document/9533331
Texto Qualificação:
https://pt.slideshare.net/elainececiliagatto/explorando-correlaes-para-o-particiona
mento-do-espao-de-rtulos-em-problemas-de-classificao-multirrtulo
Vídeos:
1. https://www.youtube.com/watch?v=44ld4-Ev5OA&t=275s
2. https://www.youtube.com/watch?v=NYORwgCfXZU&t=247s
3. https://www.youtube.com/watch?v=IP8DkKBiih0&t=2s
4. https://www.youtube.com/watch?v=ZTxZRjygbDA&t=488s
LINKS

32. CREDITS: This presentation template was created by
Slidesgo, including icons by Flaticon, and
infographics & images by Freepik
OBRIGADA!
Perguntas?
elainececiliagatto@gmail.com
@cissagatto
Please keep this slide for attribution.