Banca de DEFESA: LUCAS BENEVIDES VIANA DE AMORIM

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: LUCAS BENEVIDES VIANA DE AMORIM
DATA : 18/02/2025
HORA: 15:00
LOCAL: Centro de Informática - Anfiteatro
TÍTULO:

Meta-scaler+: a meta-learning based solution for model-specific 
recommendations of scaling techniques

PALAVRAS-CHAVES:

Classificação, Preprocessamento, Scaling, Normalização, 
Meta-aprendizagem, AutoML.

PÁGINAS: 136
RESUMO:

A normalização (scaling) de conjuntos de dados é uma etapa essencial de 
pré-processamento em um pipeline de aprendizado de máquina. Ela visa 
ajustar as escalas de atributos de forma que todos variem dentro do mesmo 
intervalo. Essa transformação é amplamente reconhecida como necessária para 
melhorar o desempenho dos modelos de classificação, mas muito poucos 
estudos verificam empiricamente essa relação. Como primeira contribuição, 
esta tese compara os impactos de diferentes técnicas de scaling (STs) no 
desempenho de vários classificadores. Seus resultados mostram que a escolha 
da técnica de scaling importa para o desempenho da classificação, e a 
diferença de desempenho entre a melhor e a pior técnica é relevante e 
estatisticamente significativa na maioria dos casos. No entanto, há várias 
STs para escolher, e o processo de encontrar manualmente, por tentativa e 
erro, a técnica mais adequada para um determinado conjunto de dados pode 
ser inviável.
Como alternativa, propomos empregar meta-aprendizagem para selecionar 
automaticamente a melhor ST para um determinado conjunto de dados. 
Portanto, em nosso segundo estudo, propomos o Meta-scaler, um framework que 
aprende e treina um conjunto de meta-modelos para representar a relação 
entre meta-características extraídas dos conjuntos de dados e o desempenho 
de um conjunto de algoritmos de classificação nesses conjuntos de dados 
quando eles são normalizados com diferentes técnicas. Esses meta-modelos 
são capazes de recomendar uma única ST ótima para um determinado conjunto 
de dados de consulta, levando em consideração também o classificador de 
consulta. O Meta-scaler produziu melhor desempenho de classificação do que 
qualquer escolha de uma única ST para 10 dos 12 modelos base testados e 
também superou os métodos de meta-aprendizagem do estado da arte para 
seleção de ST.
Finalmente, em nosso terceiro estudo, propomos o Meta-scaler+, onde 
estendemos a funcionalidade do Meta-scaler, eliminando suas limitações ao 
introduzir um método inovador de caracterização de classificadores, o 
Classifiers' Space, que nos permite combinar dinamicamente meta-modelos 
para recomendações especializadas de ST  para qualquer classificador e 
conjunto de dados. Apesar da flexibilidade adicional, o desempenho do 
Meta-scaler+ é competitivo com o Meta-scaler e superior a outras soluções 
do estado da arte. Para as próximas etapas do desenvolvimento desta 
pesquisa, investiremos na melhoria da representação do conjunto de dados 
(meta-recursos), melhorando a inicialização do Classifiers' Space e 
tornando o Meta-scaler+ uma ferramenta prática e acessível, permitindo sua 
integração com bibliotecas populares de aprendizado de máquina.

MEMBROS DA BANCA:
Externo à Instituição - LUÍS PAULO FAINA GARCIA - UnB
Externo à Instituição - CARLOS MANUEL MILHEIRO DE OLIVEIRA PINTO SOARES - UNIPORTO
Presidente - 383924 - FRANCISCO DE ASSIS TENORIO DE CARVALHO
Externo à Instituição - LUIZ EDUARDO SOARES OLIVEIRA - UFPR
Interno - 1463105 - RICARDO BASTOS CAVALCANTE PRUDENCIO