Banca de DEFESA: JOSÉ LUIS MARTÍNEZ PÉREZ

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: JOSÉ LUIS MARTÍNEZ PÉREZ
DATA : 25/02/2025
HORA: 08:00
LOCAL: Virtual
TÍTULO:

Estratégias para Aprimorar Técnicas Supervisionadas de 
Classificação para Contextos Semi-Supervisionados

PALAVRAS-CHAVES:

Aprendizado semi-supervisionado, detectores de mudanças de 
conceito, self-training, comitê de classificadores, fluxo de dados.

PÁGINAS: 135
RESUMO:

Os algoritmos de aprendizado de máquina que auxiliam na tomada de decisão 
estão se tornando cruciais em diversas áreas, como saúde, finanças e 
marketing. Quando expostos a uma quantidade maior e mais relevante de dados 
de treinamento, tendem a apresentar melhor desempenho. No entanto, a 
disponibilidade de dados rotulados sem a intervenção de especialistas 
humanos é uma tarefa desafiadora, especialmente no aprendizado em fluxo de 
dados com mudanças de conceito, em que os dados são gerados rapidamente, em 
tempo real e com a possibilidade de alterações na distribuição de 
probabilidade. As mudanças de conceito ocorrem em ambientes de aprendizado 
supervisionado, semi-supervisionado e não supervisionado, sendo abordadas 
em diferentes áreas, como estatística, aprendizado de máquina, entre 
outras. Atualmente, o uso de detectores de mudanças com classificadores 
base em aprendizado semi-supervisionado é incomum. Classificadores 
semi-supervisionados frequentemente consomem muita memória e tempo de 
execução, e a adição de um mecanismo de detecção aumenta o custo 
computacional. Além disso, a classificação em ambientes 
semi-supervisionados pode levar a problemas relacionados à rotulagem de 
dados para treinamento. Um erro nesse processo pode impactar negativamente 
o desempenho do modelo. Esta pesquisa explora e traz como contribuição os 
seguintes pontos: 1) o uso de detectores de mudanças de conceito 
supervisionados em problemas de aprendizado semi-supervisionado, destacando 
como os detectores podem melhorar o desempenho da classificação; 2) a 
influência da diversidade em comitês de classificadores, mostrando que o 
aumento nesse parâmetro contribui para maior precisão e robustez dos 
modelos em cenários com mudanças de conceito; 3) introduz uma abordagem de 
self-training (auto-treinamento) para fornecer mais rótulos e otimizar o 
aprendizado e a adaptação do modelo; e, por fim, 4) detalha as modificações 
realizadas no framework Massive Online Analysis (MOA) para dar suporte a 
simulação em cenários semi-supervisionados. Os experimentos realizados para 
testar a abordagem proposta utilizaram Hoeffding Tree (HT) e Naïve Bayes 
(NB) como classificadores base, que também foram empregados como membros 
dos comitês nesta pesquisa. Esses classificadores foram combinados com 
vários detectores e testados em um total de 84 conjuntos de dados 
artificiais e cinco conjuntos de dados reais. Os experimentos foram 
conduzidos com 15\% e 30\% de dados rotulados, as principais porcentagens 
abordadas neste estudo, enquanto 25\% e 100\% foram utilizados para 
fornecer suporte adicional em alguns casos. Os resultados indicam que 
detectores desenvolvidos para aprendizado supervisionado podem ser 
utilizados de forma eficaz em ambientes semi-supervisionados. Além disso, 
os testes com a abordagem de self-training demonstram que a inclusão de 
rótulos adicionais melhora significativamente o desempenho dos 
classificadores. Essas descobertas podem levar a uma mudança de paradigma 
em pesquisas futuras, uma vez que muitos pesquisadores não consideram os 
detectores de mudanças de conceito como uma alternativa viável devido à 
disponibilidade limitada de rótulos na maioria dos fluxos de dados do mundo 
real.

MEMBROS DA BANCA:
Interno - 1675582 - CLEBER ZANCHETTIN
Externo à Instituição - FRANCISCO MADEIRO BERNARDINO JUNIOR - UNICAP
Presidente - 479992 - FREDERICO LUIZ GONCALVES DE FREITAS
Externo à Instituição - JOÃO ROBERTO BERTINI JUNIOR - UNICAMP
Externo à Instituição - RODOLFO CARNEIRO CAVALCANTE - UFAL