Banca de DEFESA: JUSCIMARA GOMES AVELINO

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: JUSCIMARA GOMES AVELINO
DATA : 26/08/2024
HORA: 09:00
LOCAL: Virtual
TÍTULO:

Imbalanced Regression Pipeline Recommendation

PALAVRAS-CHAVES:

Regressão desbalanceada, Estratégias de reamostragem, Meta-aprendizado

PÁGINAS: 135
RESUMO:

Problemas de desbalanceamento são comuns em diversos cenários do mundo real e apresentam desafios significativos, especialmente para tarefas de regressão, devido à raridade de certos valores-alvo contínuos. Embora essas questões tenham sido amplamente exploradas em tarefas de classificação, elas também afetam a regressão, complicando o desempenho dos modelos. Este trabalho apresenta um estudo experimental extenso envolvendo várias estratégias de balanceamento e modelos de aprendizado, introduzimos uma taxonomia para abordagens de regressão desbalanceada baseada em modelos de regressão, modificação no processo de aprendizado e métricas de avaliação, e destaca novos insights sobre as vantagens de diferentes estratégias. A partir deste estudo, ficou evidente que a escolha do método de reamostragem depende do problema, dos modelos de aprendizado e das métricas, tornando difícil selecionar uma estratégia de reamostragem e um modelo de aprendizado apropriados. Como resultado, é necessário testar a maioria das combinações existentes. Com base nessas descobertas, este trabalho propõe o modelo Meta-learning for Imbalanced Regression (Meta-IR) para enfrentar esses desafios. O Meta-IR recomenda pipelines ideais que consistem em estratégias de reamostragem e modelos de aprendizado para tarefas de regressão desbalanceada. Duas formulações são propostas: Independente, que recomenda separadamente algoritmos de aprendizado e estratégias de reamostragem, e Encadeada, que modela suas interdependências sequencialmente. A abordagem Encadeada demonstrou desempenho superior, sugerindo uma relação significativa entre algoritmos de aprendizado e estratégias de reamostragem. Em comparação com modelos de AutoML e configurações de linha de base, o Meta-IR superou todos, oferecendo uma solução mais eficaz para a regressão desbalanceada e indicando direções para futuras pesquisas.

MEMBROS DA BANCA:
Externo à Instituição - ALCEU DE SOUZA BRITTO JÚNIOR - PUCPR
Externa à Instituição - ANA CAROLINA LORENA - ITA
Externo à Instituição - PERICLES BARBOSA CUNHA DE MIRANDA - UFRPE
Presidente - 1463105 - RICARDO BASTOS CAVALCANTE PRUDENCIO
Interno - 1511095 - TSANG ING REN