PPGCCM PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO FUNDAÇÃO UNIVERSIDADE FEDERAL DO ABC Telefone/Ramal: Não informado http://propg.ufabc.edu.br/ppgccm

Banca de DEFESA: PEDRO HENRIQUE PARREIRA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : PEDRO HENRIQUE PARREIRA
DATA : 20/01/2020
HORA: 14:00
LOCAL: Auditório, 8º andar, Bloco B, Campus SA da Fundação Universidade Federal do ABC, localizada na Avenida dos Estados, 5001, Santa Terezinha, Santo André, SP
TÍTULO:

Aprendizagem ativa em fluxo de dados com latência de intermediária


PÁGINAS: 64
RESUMO:

Um fluxo de dados possui diversas características desafiadoras para os algoritmos clássicos de aprendizagem de máquina, tais como os fenômenos de mudança e evolução de conceito, que são caracterizados pela mudança na distribuição dos dados e do surgimento de novas classes ao longo do fluxo, respectivamente. Além de tais características, ao longo do fluxo, os dados chegam de forma contínua e ininterrupta. Como consequência, uma enorme quantidade de dados são produzidos. Em diversas aplicações de mineração de dados a obtenção dos rótulos é uma tarefa custosa, sendo que em um fluxo de dados tal tarefa se torna ainda mais desafiadora pela enorme quantidade de dados que são gerados. Desta maneira, assumir que todos os dados terão seus respectivos rótulos disponibilizados se torna pouco provável para diversas aplicações reais em fluxo de dados. Portanto, ao considerar tal cenário, um modelo de classificação tem seu desempenho preditivo afetado negativamente ao longo do fluxo de dados devido aos fenômenos de mudança e evolução de conceito. Neste caso, é necessário a adaptação do modelo de classificação de tempos em tempos para a manutenção do seu desempenho preditivo. Essa adaptação requer dados rotulados ao longo do fluxo. Todavia, considerando um cenário realista, nem sempre é factível que os rótulos sejam disponibilizados de modo imediato, como é comumente assumido na maioria das abordagens encontradas na literatura. As abordagens existentes na literatura consideram que, ao ser disponibilizado um determinado exemplo, o seu rótulo é disponibilizado logo após a sua predição, isto é, o rótulo é disponibilizado com latência nula, e ambos são utilizados na adaptação do modelo. Porém, em diversas aplicações reais, o rótulo pode ser disponibilizado com um atraso não infinito, ou seja, com latência intermediária, e apenas para um subconjunto dos exemplos do fluxo. Em meio a tais desafios, este trabalho tem por objetivo a investigação e o desenvolvimento de um conjunto estratégias de aprendizagem ativa que consideram o cenário de fluxo de dados com latência intermediária.



MEMBROS DA BANCA:
Presidente - Interno ao Programa - 1673092 - RONALDO CRISTIANO PRATI
Membro Titular - Examinador(a) Interno ao Programa - 3008222 - PAULO HENRIQUE PISANI
Membro Titular - Examinador(a) Externo à Instituição - ELAINE RIBEIRO DE FARIA - UFU
Membro Suplente - Examinador(a) Interno ao Programa - 2376122 - THIAGO FERREIRA COVOES
Membro Suplente - Examinador(a) Externo à Instituição - DIEGO FURTADO SILVA - UFSCAR
Notícia cadastrada em: 25/11/2019 17:09
SIGAA | UFABC - Núcleo de Tecnologia da Informação - ||||| | Copyright © 2006-2021 - UFRN - sigaa-1.sigaa-1