Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 638
Aluno: Eduardo Cintra Simões
Orientador: Prof. Francisco de Assis Tenório de Carvalho
Título: Agrupamento difuso c-means com kernel gaussiano, kernelização da
métrica, cálculo e regularização automática dos parâmetros de largura
Data: 30/08/2024
Hora/Local: 8h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Adriano Lorena Inacio de Oliveira (UFPE / Centro de Informática)
Prof. Cleber Zanchettin (UFPE / Centro de Informática)
Prof. Fernando Maciano de Paula Neto (UFPE / Centro de Informática)
Prof. Marcilio Carlos Pereira de Souto (Université d’Orléans / Laboratoire d’Informatique Fondamentale d’Orléans)
Prof. Renato Cordeiro de Amorim (University of Essex / School of Computer Science and Electronic Engineering)
RESUMO:
Os algoritmos convencionais de agrupamento difuso c-means baseados no Kernel gaussiano requerem a seleção de hiperparâmetros de largura, que são dependentes dos dados e fixos durante a execução completa. Não apenas isso, mas esses parâmetros são os mesmos para cada variável da base de dados. Ou seja, as variáveis possuem a mesma importância para o algoritmo de agrupamento, independente da sua relevância para uma melhor separação. Esta tese propõe um algoritmo de agrupamento difuso c-means baseados no Kernel gaussiano com kernelização da métrica de distância e computação automática dos parâmetros de largura. Esses parâmetros de largura são modificados a cada iteração do algoritmo e são diferentes para cada variável e grupo. Dessa forma, esse algoritmo pode re-escalar as variáveis independentemente, destacando aquelas que são mais relevantes para a atividade de agrupamento. Algoritmos de agrupamento difuso com regularização se tornaram populares graças a sua alta performance em dados de agrupamento de larga-escala, robustez para inicialização, e baixa complexidade computacional. Já que os parâmetros de largura das variáveis também podem ser controlados pela entropia, então esta tese também propõe algoritmos de agrupamento difuso c-means baseados no Kernel gaussiano com kernelização da métrica de distância e computação automática dos parâmetros de largura a partir da regularização da entropia. Para demonstrar a sua utilidade, os algoritmos propostos foram comparados com o algoritmo convencional KFCM-K em 40 bases de dados e com o método de Monte Carlo em 7 base sintéticas, utilizando métricas para as partições exclusiva e difusa dos elementos. Dessa forma, foi possível determinar que os métodos propostos se comportam de forma competitiva em relação aos modelos de referência.
Palavras-chave: Sistemas Autoadaptativos Proativos. Escalonamento Automático. Microsserviços. Previsão de Séries Temporais. Aprendizado em Conjunto. Computação em Nuvem
Comentários desativados