English

CIn - Centro de Informática UFPE




Eventos Relacionados

Defesa de Dissertação de Mestrado Nº 1.284: "Seleção Ativa de Exemplos de Treinamento Para Meta-Aprendizado"

O aluno Arthur Fernandes Minduca de Sousa irá defender seu trabalho dia 29 de julho, às 10h, no Anfiteatro Início: 29/07/2013 às 10:00 Término: 29/07/2013 às 12:00 Local: Anfiteatro do CIn

Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado  Nº  1.284
 
Aluno: Arthur Fernandes Minduca de Sousa
Orientador: Prof. Ricardo Bastos Cavalcante Prudêncio
Título: Seleção Ativa de Exemplos de Treinamento Para Meta-Aprendizado
Data: 29/07/2013
Hora/Local: 10:00h  - Anfiteatro
Banca Examinadora:
Prof. Renata Maria Cardoso Rodrigues de Souza (UFPE / CIn)
Prof. Anne Magaly de Paula Canuto (UFRN / DIMAp )
Prof. Ricardo Bastos Cavalcante Prudêncio (UFPE / CIn)
 
RESUMO:
 
Várias abordagens têm sido aplicadas à tarefa de seleção de algoritmos. Nesse contexto, Meta-Aprendizado surge como uma abordagem eficiente para predizer o desempenho de algoritmos adotando uma estratégia supervisionada. Os exemplos de treinamento de Meta-Aprendizado (ou meta-exemplos) são construídos a partir de um repositório de instâncias de problemas (como, por exemplo, um repositório de bases de dados de classificação). Cada meta-exemplo armazena características descritivas de uma instância de problema e um rótulo indicando o melhor algoritmo para o problema (empiricamente identificado entre um conjunto de algoritmos candidatos). Os melhores algoritmos para novos problemas podem ser preditos se baseando apenas em suas características descritivas, sem a necessidade de qualquer avaliação empírica adicional dos algoritmos candidatos. Apesar dos resultados Meta-Aprendizado requer a implementação de um número suficiente de instâncias de problemas para produzir um conjunto rico de meta-exemplos. Abordagens recentes para gerar conjuntos de dados sintéticos ou manipulado foram adotados com sucesso no contexto de Meta-Aprendizado. Essas propostas incluem a abordagem de Datasetoids, que é uma técnica simples de manipulação de dados que permite a geração de novos datasets a partir de bases existentes.  Apesar dessas propostas produzirem conjuntos de dados relevantes para Meta-Aprendizado, eles podem eventualmente produzir instâncias de problemas redundantes ou até mesmo irrelevantes. Meta-Aprendizado Ativo surge nesse contexto para selecionar somente as instâncias mais informativas para a geração de meta-exemplos. Neste trabalho, investigamos o uso de Meta-Aprendizado Ativo combinado com Datasetoids, focando no uso do algoritmo Random Forest em Meta-Aprendizado. Para selecionar as instâncias de problemas, implementamos um critério de incerteza baseado em entropia, específico para o Random Forest. Também investigamos o uso de uma técnica de detecção de outliers a fim de remover a priori os problemas considerados outliers, objetivando melhorar o desempenho dos métodos de Aprendizagem Ativa. Nossos experimentos revelaram uma melhoria significativa no desempenho do Meta-Aprendizado, assim como uma redução significativa no custo computacional para a geração de meta-exemplos.
 
Palavras-chave: Meta-Aprendizado, Seleção de Algoritmos, Aprendizagem Ativa, Uncertainty Sampling, Detecção de Outliers. 
  • © Centro de Informática UFPE - Todos os direitos reservados
    Tel +55 81 2126.8430 - Cidade Universitária - 50740-560 - Recife/PE
Plano4 Consultoria Web