Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 579

Aluno: Juan Isidro González Hidalgo
Orientador: Prof. Roberto Souto Maior de Barros
Coorientador: Prof. Silas Garrido Teixeira de Carvalho Santos
Título: Ajuste Dinâmico de Parâmetros: Enfoques, Estratégias e 
Experimentações Aplicadas na Aprendizagem em Fluxos de Dados com Mudanças 
de Conceitos
Data: 28/09/2022
Hora/Local: 13h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:

Prof. Cleber Zanchettin  (UFPE / Centro de Informática)
Prof. Germano Crispim Vasconcelos (UFPE / Centro de Informática)
Prof. Paulo Maurício Gonçalves Júnior (IFPE / Campus Recife)
Prof. Francisco Madeiro Bernardino Junior (UNICAP / Escola UNICAP ICAM-TECH)
Prof. João Roberto Bertini Junior (UNICAMP / Faculdade de Tecnologia)

RESUMO:

O processo de trabalho com fluxos de dados exige novas demandas e tarefas 
desafiadoras na área de mineração de dados e aprendizagem de máquina. Esse 
fluxo pode ser categorizado como um sistema que gera muitos dados ao longo 
do tempo.
Dessa forma, quando a distribuição de probabilidade dentro desse fluxo 
varia, estamos com um problema comumente conhecido como mudança de conceito 
(Concept Drift).
O processo de implementação de novos métodos para lidar com fluxos de dados 
contendo mudanças de conceito requer algoritmos que sejam capazes de se 
adaptar a diferentes situações para, assim, melhorar sua performance.
Nesse sentido, o ajuste dinâmico de parâmetros é um contexto pouco 
aprofundado nas implementações e experimentações das pesquisas da área, 
requerendo uma especial atenção, sobretudo para que estes métodos consigam 
se adaptar melhor aos diferentes ambientes onde são aplicados.
Nesta pesquisa são propostos vários enfoques e estratégias para ajustar 
parâmetros de forma dinâmica em vários algoritmos de classificação 
existentes. Desse modo, primeiramente são apresentadas várias versões do 
Paired k-NN Learners with Dynamically Adjusted Number of Neighbors (PLKNN, 
PLKNN2, PLKNN3 e PLKNN4), um novo método de classificação em par que 
utiliza diferentes procedimentos para ajustar de forma dinâmica e 
incremental o número de vizinhos k. Todas as versões são aplicados ao 
processo de aprendizagem online em fluxo de dados com mudanças de conceitos.
A outra proposta desta tese é o Parameter Estimation Procedure (PEP), um 
método genérico para o ajuste dinâmico de parâmetros que é aplicado ao 
parâmetro de diversidade 𝜆 (lambda), comum a vários comitês de 
classificadores utilizados na área. Com essa finalidade, o método de 
estimação proposto (PEP) foi utilizado para criar versões alternativas de 
três comitês já existentes: Boosting-like Online Learning Ensemble with 
Parameter Estimation (BOLE-PE), Online AdaBoost-based M1 with Parameter 
Estimation (OABM1-PE) e Oza and Russell’s Online Bagging with Parameter 
Estimation (OzaBag-PE).
Para validá-los, foram realizados experimentos com conjuntos de dados 
artificiais e reais e os resultados foram avaliados usando a métrica de 
acurácia e o teste de Friedman com o pós-teste Nemenyi.
Os resultados relacionados com PL-kNN e suas versões mostram que estas 
contribuições melhoraram o desempenho do K-Nearest Neighbors (k-NN) com 
valores fixos de $k$ na maior parte dos cenários testados.
Já os resultados das versões BOLE-PE, OABM1-PE e OzaBag-PE evidenciaram que 
a estimação dinâmica do 𝜆 é capaz de produzir bons resultados na maioria 
dos ambientes experimentados.

Palavras-chave: Detecção de Mudança de Conceito. Comitê. Aprendizado 
Online. Fluxo de Dados. Classificação. Parametrização Dinâmica.

Comentários desativados

Sobre este site

Portal institucional do Centro de Informática – UFPE

Encontre-nos

Endereço
Av. Jornalista Aníbal Fernandes, s/n – Cidade Universitária.
Recife-PE – Brasil
CEP: 50.740-560

Horário
Segunda–Sexta: 8:00–18:00