O estudo de redes complexas tem alavancado um tremendo interesse em anos recentes. Uma das características salientes de redes complexas é a presença de comunidades, ou grupos de nós densamente conectados. A detecção de comunidades pode não apenas ajudar a entender as estruturas topológicas de redes complexas, mas também pode fornecer novas técnicas para aplicações reais, como mineração de dados. Neste trabalho, propomos um novo modelo para detecção de comunidades em redes complexas, no qual várias partículas caminham na rede e competem umas com as outras para marcar seu próprio território e rejeitar partículas intrusas. O processo atinge o equilíbrio dinâmico quando cada comunidade tem apenas uma partícula. Nossa abordagem não apenas pode obter bons resultados na detecção de comunidades, como também apresenta diversas características interessantes: 1) O processo de competição de partículas é similar a muitos processos naturais e sociais, tais como competição de animais por recursos, exploração territorial por humanos (animais), campanhas eleitorais, etc.. Portanto, o modelo proposto neste trabalho pode ser útil para simular a dinâmica evolutiva de tais processos. 2) Neste modelo, nós introduzimos uma regra para controlar o nível de aleatoriedade do passeio da partícula. Descobrimos que uma pequena porção de aleatoriedade pode aumentar bastante a taxa de detecção de comunidades. Nossa descoberta é análoga ao notável fenômeno chamado ressonância estocástica onde o desempenho de um sistema determinístico não-linear pode ser bastante melhorado através da introdução de um certo nível de ruído. É interessante notar que tal fenômeno é observado em uma situação diferente aos sistemas clássicos de ressonância estocástica. 3) Nossa descoberta indica que a aleatoriedade tem um papel importante em sistemas evolutivos. Ela serve para automaticamente escapar de armadilhas não desejáveis e explorar novos espaços, isto é, ela é um descobridor de novidades. 4) Uma análise quantitativa para processo de competição entre duas particulas e duas comunidades foi conduzida, a qual é um passo de avanço para desenvolvimento de teoria fundamental de aprendizado competitivo / Study of complex networks has triggered tremendous interests in recent years. One of the salient features of complex networks is the presence of communities, or groups of densely connected nodes. Community detection can not only help to understand the topological structure of complex networks, but also provide new techniques for real applications, such as data mining. In this work, a new model for complex network community detection is proposed, in which several particles walk in the network and compete with each other to mark their own territory and reject particle intruders. The process reaches dynamics equilibrium when each community has only one particle. This approach not only can get good community detection results, but also presents several interesting features: 1) The particle competition process is rather similar to many natural and social processes, such as resource competition by animals, territory exploration by humans (animal), election campaigns, etc.. Thus, the model proposed in this work may be useful to simulate dynamical evolution of such processes. 2) In this model, a rule to control the level of randomness of particle walking is introduced. We found a small portion of randomness can largely improve the community detection rate. Such a finding is analogous to a remarkable phenomenon called stochastic resonance (SR) where the performance of a nonlinear deterministic system can be largely enhanced by introducing a certain level of noise. Interestingly, such a SR-type phenomenon is observed in quite a different situation from classical SR systems. 3) Our finding indicates that randomness has an important role in evolutionary systems and in machine learning. It serves to automatically escape some undesirable traps and explore new spaces, i.e., it is a novelty finder. 4) A quantitative analysis for two particle competition in two communities is provided. This is a step toward the development of fundamental theory of competitive learning

O estudo de redes complexas tem alavancado um tremendo interesse em anos recentes. Uma das características salientes de redes complexas é a presença de comunidades, ou grupos de nós densamente conectados. A detecção de comunidades pode não apenas ajudar a entender as estruturas topológicas de redes complexas, mas também pode fornecer novas técnicas para aplicações reais, como mineração de dados. Neste trabalho, propomos um novo modelo para detecção de comunidades em redes complexas, no qual várias partículas caminham na rede e competem umas com as outras para marcar seu próprio território e rejeitar partículas intrusas. O processo atinge o equilíbrio dinâmico quando cada comunidade tem apenas uma partícula. Nossa abordagem não apenas pode obter bons resultados na detecção de comunidades, como também apresenta diversas características interessantes: 1) O processo de competição de partículas é similar a muitos processos naturais e sociais, tais como competição de animais por recursos, exploração territorial por humanos (animais), campanhas eleitorais, etc.. Portanto, o modelo proposto neste trabalho pode ser útil para simular a dinâmica evolutiva de tais processos. 2) Neste modelo, nós introduzimos uma regra para controlar o nível de aleatoriedade do passeio da partícula. Descobrimos que uma pequena porção de aleatoriedade pode aumentar bastante a taxa de detecção de comunidades. Nossa descoberta é análoga ao notável fenômeno chamado ressonância estocástica onde o desempenho de um sistema determinístico não-linear pode ser bastante melhorado através da introdução de um certo nível de ruído. É interessante notar que tal fenômeno é observado em uma situação diferente aos sistemas clássicos de ressonância estocástica. 3) Nossa descoberta indica que a aleatoriedade tem um papel importante em sistemas evolutivos. Ela serve para automaticamente escapar de armadilhas não desejáveis e explorar novos espaços, isto é, ela é um descobridor de novidades. 4) Uma análise quantitativa para processo de competição entre duas particulas e duas comunidades foi conduzida, a qual é um passo de avanço para desenvolvimento de teoria fundamental de aprendizado competitivo / Study of complex networks has triggered tremendous interests in recent years. One of the salient features of complex networks is the presence of communities, or groups of densely connected nodes. Community detection can not only help to understand the topological structure of complex networks, but also provide new techniques for real applications, such as data mining. In this work, a new model for complex network community detection is proposed, in which several particles walk in the network and compete with each other to mark their own territory and reject particle intruders. The process reaches dynamics equilibrium when each community has only one particle. This approach not only can get good community detection results, but also presents several interesting features: 1) The particle competition process is rather similar to many natural and social processes, such as resource competition by animals, territory exploration by humans (animal), election campaigns, etc.. Thus, the model proposed in this work may be useful to simulate dynamical evolution of such processes. 2) In this model, a rule to control the level of randomness of particle walking is introduced. We found a small portion of randomness can largely improve the community detection rate. Such a finding is analogous to a remarkable phenomenon called stochastic resonance (SR) where the performance of a nonlinear deterministic system can be largely enhanced by introducing a certain level of noise. Interestingly, such a SR-type phenomenon is observed in quite a different situation from classical SR systems. 3) Our finding indicates that randomness has an important role in evolutionary systems and in machine learning. It serves to automatically escape some undesirable traps and explore new spaces, i.e., it is a novelty finder. 4) A quantitative analysis for two particle competition in two communities is provided. This is a step toward the development of fundamental theory of competitive learning

[pt] O mapeamento manual de falhas em dados sísmicos tridimensionais é uma tarefa que consome muito tempo do intérprete. Uma grande quantidade de atributos sísmicos tem sido proposta para realçar medidas de descontinuidades associadas com as falhas. Entretanto, as falhas vistas através desses atributos aparecem mais como tendências do que como superfícies contínuas bem definidas, o que torna difícil a automatização da construção de modelos de falhas. Esta tese explora técnicas de Aprendizado Competitivo aplicadas aos problemas de extração e visualização de falhas em dados sísmicos. A estratégia proposta parte de um atributo de falha previamente calculado e consiste de três etapas. Na primeira, os dados tridimensionais uniformemente amostrados do atributo de falha são convertidos em um grafo com uso do algoritmo de aprendizado competitivo Growing Neural Gas. Na segunda etapa, o grafo sofre um processo de segmentação de forma a extrair um conjunto de subgrafos, cada um compatível com uma superfície de falha. Na terceira etapa, é utilizado o algoritmo Malhas Neurais Abertas para construir uma malha triangular para cada uma das superfícies identificadas. Malhas Neurais Abertas é um algoritmo de Aprendizado Competitivo que é proposto nesta tese, o qual constrói uma malha a partir de uma função de probabilidades com topologia de uma superfície aberta sem buracos. Exemplos com dados bidimensionais e tridimensionais, sintéticos e reais, são apresentados. Outra aplicação de Aprendizado Competitivo introduzida nesta tese é a geração de malhas geológicas, isto é, malhas que podem ser utilizadas na simulação do comportamento de fluidos em subsuperfície. / [en] Manual fault mapping from 3D seismic data is a time-consuming task. A plethora of seismic attributes has been proposed to enhance the discontinuity measures associated with faults. However, faults viewed through these attributes appear more like trends than well-defined, continuous surfaces, posing obstacles to the automation of the fault modeling process. This thesis explores the use of Competitive Learning techniques in fault extraction and visualization. The proposed strategy starts with a pre-computed fault attribute and consists of three steps. In the first, the uniformly sampled 3D fault attribute data are converted into a graph using Growing Neural Gas, a Competitive Learning algorithm. In the second step, the graph is submitted to a segmentation process in order to extract a set of subgraphs, each one compatible with a fault surface. In the third step, the Open Neural Meshes algorithm is used to build a triangulated mesh for each previously identified surface. Open Neural Meshes is a Competitive Learning algorithm proposed in this thesis, which builds a mesh from a probability function with no-hole open surface topology. Examples with 2D and 3D, synthetic and real data are presented. Another Competitive Learning application introduced in this thesis is the generation of geologic meshes. These meshes can be used to simulate fluid flows in subsurface reservoirs.

Machine learning is evidenced as a research area with the main purpose of developing computational methods that are capable of learning with their previously acquired experiences. Although a large amount of machine learning techniques has been proposed and successfully applied in real systems, there are still many challenging issues, which need be addressed. In the last years, an increasing interest in techniques based on complex networks (large-scale graphs with nontrivial connection patterns) has been verified. This emergence is explained by the inherent advantages provided by the complex network representation, which is able to capture the spatial, topological and functional relations of the data. In this work, we investigate the new features and possible advantages offered by complex networks in the machine learning domain. In fact, we do show that the network-based approach really brings interesting features for supervised, semisupervised, and unsupervised learning. Specifically, we reformulate a previously proposed particle competition technique for both unsupervised and semisupervised learning using a stochastic nonlinear dynamical system. Moreover, an analytical analysis is supplied, which enables one to predict the behavior of the proposed technique. In addition to that, data reliability issues are explored in semisupervised learning. Such matter has practical importance and is found to be of little investigation in the literature. With the goal of validating these techniques for solving real problems, simulations on broadly accepted databases are conducted. Still in this work, we propose a hybrid supervised classification technique that combines both low and high orders of learning. The low level term can be implemented by any classification technique, while the high level term is realized by the extraction of features of the underlying network constructed from the input data. Thus, the former classifies the test instances by their physical features, while the latter measures the compliance of the test instances with the pattern formation of the data. Our study shows that the proposed technique not only can realize classification according to the semantic meaning of the data, but also is able to improve the performance of traditional classification techniques. Finally, it is expected that this study will contribute, in a relevant manner, to the machine learning area / Aprendizado de máquina figura-se como uma área de pesquisa que visa a desenvolver métodos computacionais capazes de aprender com a experiência. Embora uma grande quantidade de técnicas de aprendizado de máquina foi proposta e aplicada, com sucesso, em sistemas reais, existem ainda inúmeros problemas desafiantes que necessitam ser explorados. Nos últimos anos, um crescente interesse em técnicas baseadas em redes complexas (grafos de larga escala com padrões de conexão não triviais) foi verificado. Essa emergência é explicada pelas inerentes vantagens que a representação em redes complexas traz, sendo capazes de capturar as relações espaciais, topológicas e funcionais dos dados. Nesta tese, serão investigadas as possíveis vantagens oferecidas por redes complexas quando utilizadas no domínio de aprendizado de máquina. De fato, será mostrado que a abordagem por redes realmente proporciona melhorias nos aprendizados supervisionado, semissupervisionado e não supervisionado. Especificamente, será reformulada uma técnica de competição de partículas para o aprendizado não supervisionado e semissupervisionado por meio da utilização de um sistema dinâmico estocástico não linear. Em complemento, uma análise analítica de tal modelo será desenvolvida, permitindo o entendimento evolucional do modelo no tempo. Além disso, a questão de confiabilidade de dados será investigada no aprendizado semissupervisionado. Tal tópico tem importância prática e é pouco estudado na literatura. Com o objetivo de validar essas técnicas em problemas reais, simulações computacionais em bases de dados consagradas pela literatura serão conduzidas. Ainda nesse trabalho, será proposta uma técnica híbrica de classificação supervisionada que combina tanto o aprendizado de baixo como de alto nível. O termo de baixo nível pode ser implementado por qualquer técnica de classificação tradicional, enquanto que o termo de alto nível é realizado pela extração das características de uma rede construída a partir dos dados de entrada. Nesse contexto, aquele classifica as instâncias de teste segundo qualidades físicas, enquanto que esse estima a conformidade da instância de teste com a formação de padrões dos dados. Os estudos aqui desenvolvidos mostram que o método proposto pode melhorar o desempenho de técnicas tradicionais de classificação, além de permitir uma classificação de acordo com o significado semântico dos dados. Enfim, acredita-se que este estudo possa gerar contribuições relevantes para a área de aprendizado de máquina.

Machine learning is evidenced as a research area with the main purpose of developing computational methods that are capable of learning with their previously acquired experiences. Although a large amount of machine learning techniques has been proposed and successfully applied in real systems, there are still many challenging issues, which need be addressed. In the last years, an increasing interest in techniques based on complex networks (large-scale graphs with nontrivial connection patterns) has been verified. This emergence is explained by the inherent advantages provided by the complex network representation, which is able to capture the spatial, topological and functional relations of the data. In this work, we investigate the new features and possible advantages offered by complex networks in the machine learning domain. In fact, we do show that the network-based approach really brings interesting features for supervised, semisupervised, and unsupervised learning. Specifically, we reformulate a previously proposed particle competition technique for both unsupervised and semisupervised learning using a stochastic nonlinear dynamical system. Moreover, an analytical analysis is supplied, which enables one to predict the behavior of the proposed technique. In addition to that, data reliability issues are explored in semisupervised learning. Such matter has practical importance and is found to be of little investigation in the literature. With the goal of validating these techniques for solving real problems, simulations on broadly accepted databases are conducted. Still in this work, we propose a hybrid supervised classification technique that combines both low and high orders of learning. The low level term can be implemented by any classification technique, while the high level term is realized by the extraction of features of the underlying network constructed from the input data. Thus, the former classifies the test instances by their physical features, while the latter measures the compliance of the test instances with the pattern formation of the data. Our study shows that the proposed technique not only can realize classification according to the semantic meaning of the data, but also is able to improve the performance of traditional classification techniques. Finally, it is expected that this study will contribute, in a relevant manner, to the machine learning area / Aprendizado de máquina figura-se como uma área de pesquisa que visa a desenvolver métodos computacionais capazes de aprender com a experiência. Embora uma grande quantidade de técnicas de aprendizado de máquina foi proposta e aplicada, com sucesso, em sistemas reais, existem ainda inúmeros problemas desafiantes que necessitam ser explorados. Nos últimos anos, um crescente interesse em técnicas baseadas em redes complexas (grafos de larga escala com padrões de conexão não triviais) foi verificado. Essa emergência é explicada pelas inerentes vantagens que a representação em redes complexas traz, sendo capazes de capturar as relações espaciais, topológicas e funcionais dos dados. Nesta tese, serão investigadas as possíveis vantagens oferecidas por redes complexas quando utilizadas no domínio de aprendizado de máquina. De fato, será mostrado que a abordagem por redes realmente proporciona melhorias nos aprendizados supervisionado, semissupervisionado e não supervisionado. Especificamente, será reformulada uma técnica de competição de partículas para o aprendizado não supervisionado e semissupervisionado por meio da utilização de um sistema dinâmico estocástico não linear. Em complemento, uma análise analítica de tal modelo será desenvolvida, permitindo o entendimento evolucional do modelo no tempo. Além disso, a questão de confiabilidade de dados será investigada no aprendizado semissupervisionado. Tal tópico tem importância prática e é pouco estudado na literatura. Com o objetivo de validar essas técnicas em problemas reais, simulações computacionais em bases de dados consagradas pela literatura serão conduzidas. Ainda nesse trabalho, será proposta uma técnica híbrica de classificação supervisionada que combina tanto o aprendizado de baixo como de alto nível. O termo de baixo nível pode ser implementado por qualquer técnica de classificação tradicional, enquanto que o termo de alto nível é realizado pela extração das características de uma rede construída a partir dos dados de entrada. Nesse contexto, aquele classifica as instâncias de teste segundo qualidades físicas, enquanto que esse estima a conformidade da instância de teste com a formação de padrões dos dados. Os estudos aqui desenvolvidos mostram que o método proposto pode melhorar o desempenho de técnicas tradicionais de classificação, além de permitir uma classificação de acordo com o significado semântico dos dados. Enfim, acredita-se que este estudo possa gerar contribuições relevantes para a área de aprendizado de máquina.