Mapas Auto-organizáveis Multi-camadas Especialistas com Relevâncias Intra e Inter-categoria

Abstract

O crescimento exponencial na quantidade e acessibilidade de dados provenientes de di- versas fontes tem gerado uma demanda crescente por modelos e ferramentas capazes de

capturar, armazenar, analisar e visualizar esses dados. A habilidade de categorizar cenas é cru- cial para a construção de mapas semânticos por robôs, proporcionando-lhes a capacidade de

compreender o contexto do ambiente com conceitos de alto nível. A categorização de cenas enfrenta diversos desafios, incluindo a extração eficiente de características e a categorização

de dados complexos. A complexidade do agrupamento aumenta proporcionalmente ao nú- mero de amostras, categorias e dimensionalidade dos dados, levando as métricas de distância

a perderem poder de discriminação. Tarefas de categorização para mineração de dados ou

categorização de objetos também são muito relevantes e demandadas no contexto da catego- rização. Nesse cenário, parte-se de um algoritmo de agrupamento por subespaço, denominado

Mapas Auto-organizáveis para Agrupamento em Subespaço (SC-SOM), que aprende uma ca- tegoria por vez em um Mapa Auto-organizável (SOM) individual. A extensão desse modelo

inicialmente proposto se chama Múltiplos Mapas Auto-organizáveis Especialistas em uma Ca- tegoria (MOCE-SOM), composto por vários módulos que possuem alguns SC-SOM dispostos

serialmente, em camadas. O MOCE-SOM categoriza enquanto aprende um coeficiente de re- levância intra-categoria para cada dimensão de agrupamento, enfatizando os atributos mais

importantes para uma dada categoria. Ao final de cada treinamento do SC-SOM, cada camada incorpora também a relevância inter-categoria, diferenciando as dimensões mais importantes para distinção entre categorias. As amostras são propagadas entre as camadas por meio de um

processo de composição de amostras com protótipos treinados, modificando assim a represen- tação das amostras durante sua propagação entre as camadas. Ao final de todas as camadas,

é realizado um refinamento por meio de inferência variacional. O MOCE-SOM foi avaliado

utilizando conjuntos de dados para mineração, reconhecimento de objetos e cenas. Os resulta- dos foram comparados em termos de acurácia e tempo com modelos baseados em protótipos,

além de famílias de modelos derivados do k-NN e do LVQ. Uma análise detalhada de cada etapa relevante do MOCE-SOM foi realizada para entender sua contribuição na solução da categorização. Os experimentos indicam que o modelo é competitivo e escalável.