Algoritmos e técnicas de validação em agrupamento de dados multi-representados, agrupamento ...

222 Pages·2013·3.35 MB·Portuguese

Algoritmos e técnicas de validação em
agrupamento de dados multi-representados,
agrupamento possibilístico e bi-agrupamento

Danilo Horta

SERVIÇO DE PÓS-GRADUAÇÃO DO ICMC-USP

Data de Depósito:

Assinatura:________________________

______

Algoritmos e técnicas de validação em agrupamento de
dados multi-representados, agrupamento possibilístico e
bi-agrupamento

Danilo Horta

Orientador: Prof. Dr. Ricardo José Gabrielli Barreto Campello

Tese apresentada ao Instituto de Ciências Matemáticas
e de Computação - ICMC-USP, como parte dos
requisitos para obtenção do título de Doutor em
Ciências - Ciências de Computação e Matemática
Computacional. VERSÃO REVISADA.

USP – São Carlos
Novembro de 2013
Ficha catalográfica elaborada pela Biblioteca Prof. Achille Bassi
e Seção Técnica de Informática, ICMC/USP,
com os dados fornecidos pelo(a) autor(a)
Horta, Danilo
HH881a Algoritmos e técnicas de validação em agrupamento
a de dados multi-representados agrupamento
possibilístico e bi-agrupamento / Danilo Horta;
orientador Ricardo José Gabrielli Barreto Campello.
-- São Carlos, 2013.
202 p.
Tese (Doutorado - Programa de Pós-Graduação em
Ciências de Computação e Matemática Computacional) --
Instituto de Ciências Matemáticas e de Computação,
Universidade de São Paulo, 2013.
1. Agrupamento de dados. I. Campello, Ricardo
José Gabrielli Barreto, orient. II. Título.
Aos meus pais pelo apoio incansável ao longo do período de elaboração
deste trabalho.

Agradecimentos
Aoprof. RicardoCampellopelocomprometimentoepelaorientaçãoacadêmica.
Aoscolegaseamigosdelaboratóriopelasconversasepeloincentivo.
ÀSolangeRezendepeloapoioesabedoria.
AgradecimentosàFundaçãodeAmparoàPesquisadoEstadodeSãoPaulo(FAPESP)eao
Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) pelo contínuo apoio
pormeiodeauxílioscientífico-financeiros.

Resumo
Existembasesparaasquaisosdadossãonaturalmenterepresentadospormaisdeumavisão.
Porexemplo,imagenspodemserdescritasporatributosdecores,texturaeforma. Proteínaspo-
dem ser caracterizadas pela sequência de aminoácidos e pela representação tridimensional. A
unificaçãodasdiferentesvisõesdeumabasededadospodeserproblemáticaporqueelaspodem
não ser comparáveis entresi ou podem apresentar diferentes graus de importância. Esses graus
de importância podem, inclusive, se manifestar de maneira local, de acordo com a subestrutura
dos dados em questão. Isso motivou o surgimento de algoritmos de agrupamento de dados ca-
pazesdelidarcombasesmulti-representadas(i.e.,quepossuemmaisdeumavisãodosdados),
como o algoritmo SCAD. Esse algoritmo se mostrou promissor em experimentos relatados na
literatura,maspossuiproblemascríticosidentificadosnestetrabalhoqueoimpedemdefuncio-
nar em determinados cenários. Tais problemas foram solucionados por meio da proposição de
uma nova versão do algoritmo, denominada ASCAD, fundamentada em provas formais sobre
a sua convergência. Foram desenvolvidas versões relacionais do algoritmo ASCAD, capazes
de lidar com bases descritas apenas por relações de proximidade entre os objetos. Foi desen-
volvido também um índice de validação interna e relativa de agrupamento voltado para dados
multi-representados.
A avaliação de agrupamento possibilístico e de bi-agrupamento por meio da comparação
entre solução encontrada e solução de referência (validação externa) também foi explorada.
Algoritmos de bi-agrupamento têm ganhado um interesse crescente da comunidade de análise
de expressão gênica. No entanto, pouco se conhece do comportamento e das propriedades
das medidas voltadas para validação externa de bi-agrupamento, o que motivou uma análise
teórica e empírica dessas medidas. Essa análise mostrou que a maioria das medidas de bi-
agrupamentopossuiproblemascríticosedestacouduasdelascomosendoasmaispromissoras.
Foram inclusas nessa análise três medidas de agrupamento particional não exclusivo, cujo uso
na comparação de bi-agrupamentos é possível por meio de uma nova abordagem de avaliação
debi-agrupamentopropostanestatese.
Agrupamento particional não exclusivo faz parte de um domínio mais geral de soluções,
i.e., o domínio dos agrupamentos possibilísticos. Observou-se algumas falhas conceituais im-
portantes das medidas de agrupamento possibilístico, o que motivou o desenvolvimento de no-
vas medidas ede uma análise empírica e conceitual envolvendo34 medidas. Umadas medidas
propostassedestacoucomosendoaúnicaqueapresentouavaliaçõesimparciaiscomrelaçãoao
númerodegrupos,ovalormáximodesimilaridadeaocompararasoluçãoidealencontradacom
a solução de referência e avaliações sensíveis às diferenças das soluções em todos os cenários
considerados.
vi