Este trabalho trata do problema da construção de atributos para classificação quando atributos e rótulos são binários. A abordagem adotada visa reduzir efeitos de interação entre atributos, amenizando a necessidade dos classificadores lidarem com essas interações. Para tanto, é introduzida uma nova técnica que usa uma matriz de cálculo de paridade para transformar as coordenadas do vetor de atributos binários. Tal matriz permite a manipulação de diversas medidas derivadas da teoria da informação. A transformação resultante induz a formação de grupos de variáveis binárias. Baseando-se nessa técnica, um algoritmo inédito de análise de componentes independentes de variáveis binárias é apresentado, assim como um algoritmo que induz a independência condicional entre os atributos (dado o valor do rótulo). Um terceiro algoritmo apresentado reduz a Informação de Interação entre os atributos, uma medida associada ao grau de redundância ou colaboração entre atributos. Tal algoritmo é empregado no problema do projeto de operadores em dois níveis para imagens, em que múltiplos operadores são combinados para a obtenção de uma imagem final. Nesse caso, o algoritmo apresentado guia a estratégia de divisão de uma imagem em sub-regiões. É apresentado um arcabouço para o projeto de operadores de imagens em dois níveis, incorporando métodos de seleção de atributos e comparação de modelos. Os resultados mostram que o método proposto propicia melhor desempenho, em comparação com operadores de nível único.

This work addresses the task of feature extraction for classification when both labels and features are binary. Our approach aims to build features with reduced interaction effects, thus relieving the classifiers from dealing explicitly with interactions. We introduce a new technique for building binary features by means of a parity calculating matrix that changes the coordinates of a binary vector. That matrix can be built purposefully for manipulating specific information theoretic measures. The resulting transform gives rise to groups of binary variables. A new algorithm for independent component analysis of binary features is proposed, based on this technique. In the context of classification, a new algorithm is presented that reduces the conditional dependence of features, given the label. A third algorithm presented in this text reduces the Interaction Information between pairs of features, a measure associated with redundancy or collaboration among predictors. This algorithm is used in the context of designing two-level operators for binary images. This type of operator combines the responses of several first-level operators to create the output image. In this case, the interaction reducing algorithm handles the division of the image into subregions. A complete framework for designing these operators is provided, involving feature selection and model comparison techniques. Experimental results show that the proposed method generates more accurate operators, compared to the single-level ones.