Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 550


Aluno: Sylvia Emmanuelle Castelo Branco de Holanda Victor
Orientador: Prof. Silvio de Barros Melo
Título: Otimização de Aspectos do Aprendizado para Lidar com Fluxo de Dados
Data: 08/03/2022
Hora/Local: 14h – Virtual – Interessados em assistir entrar em contato com a aluna
Banca Examinadora:
Prof. Cleber Zanchettin (UFPE / Centro de Informática (Cin))
Prof. André Câmara Alves do Nascimento (UFRPE / Departamento de Computação)
Prof. Francisco Madeiro Bernardino Junior (UNICAP / Departamento de Estatística e Informática)
Prof. Sérgio de Carvalho Bezerra  (UFPB / Centro de Informática)
Prof. Emerson Alexandre de Oliveira Lima  (UPE/ Escola Politécnica de PE)


RESUMO:

Muitos desafios de aplicações comerciais envolvem mineração de dados 
aplicado a classificação em fluxo de dados. Onde os classificadores são 
métodos incrementais de instâncias que aprendem com cada exemplo conforme chegam e são capazes de lidar com um fluxo teoricamente infinito de instâncias, suscetível a mudança de conceito, com severas restrições de 
tempo de processamento e quantidade de memória, além disso, também precisam ser capazes de predizer um padrão a qualquer momento. Assim sendo, diferentes modelos de classificação foram adaptados para manipular fluxos de dados nessas condições, destacando-se para este trabalho a estratégia de aprendizado adaptativo aplicado a classificação com detecção, na qual a adaptação do modelo de aprendizado leva em consideração sinais de detecção do método de detecção de mudança de conceito. Normalmente, os trabalhos da literatura de detecção de mudança de conceito escolhem essa estratégia. 
Entretanto, é comum nas avaliações de desempenho entre métodos detectores 
não fazer distinção entre métodos que consideram dos que não consideram, 
sinais de detecção Warning. Neste trabalho, foram analisados os impactos do 
sinal de detecção Warning na acurácia de modelos e para isso são fornecidas 
evidências empíricas, referências e justificativas para descrever os 
efeitos do Warning na acurácia. Deste modo, sendo possível concluir que os 
sinais de detecção Warning na maioria das situações analisadas, quando são 
omitidos degradam da acurácia Prequential, resultando em diferenças 
estatísticas. Baseando-se nesses resultados, foram desenvolvidas duas 
estratégias para melhor lidar com os efeitos do sinal de detecção Warning. 
Elas possuem mecanismos capazes de garantir que novos modelos sejam 
treinados antes de serem testados sem depender dos sinais de detecção 
Warning do método de detecção de mudança de conceito. Assim sendo, foi 
possível fornecer uma análise aprofundada comparando os impactos dos sinais de detecção Warning na acurácia Prequential, incluindo um estudo empírico para comparar várias versões diferentes de métodos de detecção de mudança de conceito em cada estratégia. Por fim, os experimentos empíricos, tanto com bases artificiais como reais e os novos algoritmos foram implementados no framework Massive Online Analysis (MOA) e executados na ferramenta MOAManager, alcançando resultados promissores nos novos algoritmos.

Palavras-chave: Aprendizado adaptativo. Fluxo de Dados. Aprendizado Online. Detecção de Mudança de Conceito. Sinais de Detecção Warning

Comentários desativados