Please use this identifier to cite or link to this item:
https://repositorio.ufu.br/handle/123456789/37911
ORCID: | ![]() |
Document type: | Dissertação |
Access type: | Acesso Aberto |
Embargo Date: | 2025-03-01 |
Title: | Network optimization based on Genetic Algorithms for high-level classification via complex networks |
Alternate title (s): | Otimização de redes baseada em Algoritmos Genéticos para classificação de alto nível via redes complexas |
Author: | Fernandes, Janayna |
First Advisor: | Carneiro, Murillo Guimarães |
First coorientator: | Oliveira, Gina Maira Barbosa de |
First member of the Committee: | Gabriel, Paulo Henrique Ribeiro |
Second member of the Committee: | Breve, Fabricio Aparecido |
Summary: | A classificação baseada em rede tem demonstrado seu valor, especialmente devido à sua capacidade inerente de capturar as propriedades dos dados em rede (por exemplo, estruturais e dinâmicas). No entanto, seu desempenho é altamente dependente da estrutura da rede. Nesse sentido, apresentamos GANet, uma técnica para otimização estrutural de redes baseada em algoritmos genéticos (AGs) para a classificação via caracterização de importância. A classificação baseada em importância é uma técnica de classificação de rede recente que utiliza da medida do pagerank para capturar as relações subjacentes dos dados. Em particular, hipotetizamos que as características proeminentes dos AGs, como seu robusto mecanismo de busca e sua representação binária, podem fornecer uma estrutura de rede mais efetiva. Além disso, em um esforço para capturar as relações entre os dados em rede, também analisamos, além do pagerank, outras medidas de rede, como grau, intermediação, proximidade e comprimento do caminho mais curto. Em resumo, descobertas experimentais usando conjuntos de dados reais demonstraram que o algoritmo proposto supera o método de construção de grafo k-vizinhos mais próximos, amplamente adotado na literatura, em termos de acurácia de classificação. Também foram encontrados resultados competitivos em relação à técnica de otimização de rede baseada em inteligência de enxame. Enquanto isso, para as medidas de rede, os resultados revelaram que o pagerank e o grau produziram os melhores resultados e superaram estatisticamente todas as outras medidas de rede em termos de capacidade preditiva e robustez. Nossa técnica também foi aplicada à detecção de transtorno do espectro autista a partir de amostras de saliva de pacientes processadas por espectroscopia de infravermelho por transformada de Fourier com reflectância total atenuada (ATR-FTIR). Nos experimentos, GANet superou tanto análise discriminante linear, uma técnica amplamente adotada na análise ATR-FTIR, quanto máquina de vetor de suporte, uma técnica do estado-da-arte para tais problemas. Além disso, esses resultados fornecem evidências sobre o potencial de nossa abordagem para lidar com um problema tão difícil, caracterizado por dados de alta dimensão e distribuições arbitrárias. |
Abstract: | Network-based classification has demonstrated its value especially due to its inherent capacity to capture the properties of networked data (e.g., structural and dynamical). However, its performance depends heavily on the network architecture. In this sense, we present a method for optimizing network architecture using genetic algorithms (GAs) for the classification via characterization of importance. The importance based classification is a recent network classification technique that employs the pagerank measure to capture the underlying data relationship. In particular, we hypothesize that the prominent characteristics of GAs, such as their robust search mechanism and binary representation, may provide a more effective network architecture. Further, in an effort to capture the relationships between the networked data, we also analyze, despite pagerank, other network measures, namely degree, betweenness, closeness, and shortest path length. In summary, experimental findings using real data sets demonstrated that the proposed algorithm outperforms the widely used k-nearest neighbors graph method in terms of classification accuracy. They also show competitive results against a state-of-the-art network optimization technique based on swarm intelligence. Meanwhile, for the network measures, results revealed that pagerank and degree produced the best outcomes and statistically outperformed all other network measures in terms of predictive capability and robustness. Our technique was also applied to the detection of autism spectrum disorder from salivary data processed by the attenuated total reflectance Fourier-transform infrared (ATR-FTIR) spectroscopy. In the experiments, GA outperformed both linear discriminant analysis, a widely adopted technique in ATR-FTIR analysis, and support vector machine, a state-of-the art technique for such problems. Moreover, these results give evidence about the potential of our approach in dealing with such a difficult problem, characterized by high-dimensional data and arbitrary distributions. |
Keywords: | Complex Networks Genetic Algorithms Network Optimization Data Classification Graph construction Graph Optimization ASD Autism ATR-FTIR |
Area (s) of CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
Subject: | Computação |
Language: | eng |
Country: | Brasil |
Publisher: | Universidade Federal de Uberlândia |
Program: | Programa de Pós-graduação em Ciência da Computação |
Quote: | FERNANDES, Janayna Moura. Network optimization based on Genetic Algorithms for high-level classification via complex networks. 2023. 80 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2023. DOI http://doi.org/10.14393/ufu.di.2023.146 |
Document identifier: | http://doi.org/10.14393/ufu.di.2023.146 |
URI: | https://repositorio.ufu.br/handle/123456789/37911 |
Date of defense: | 1-Mar-2023 |
Appears in Collections: | DISSERTAÇÃO - Ciência da Computação |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Network-basedClassification.pdf Until 2025-03-01 | 9.65 MB | Adobe PDF | View/Open Request a copy |
This item is licensed under a Creative Commons License