Banca de DEFESA: JUAN ISIDRO GONZÁLEZ HIDALGO

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : JUAN ISIDRO GONZÁLEZ HIDALGO
DATA : 28/09/2022
HORA: 13:00
LOCAL: Virtual
TÍTULO:

Ajuste Dinâmico de Parâmetros: Enfoques, Estratégias e Experimentações Aplicadas na Aprendizagem em Fluxos de Dados com Mudanças de Conceitos

PALAVRAS-CHAVES:

Detecção de Mudança de Conceito. Comitê. Aprendizado 
Online. Fluxo de Dados. Classificação. Parametrização Dinâmica.

PÁGINAS: 106
RESUMO:

O processo de trabalho com fluxos de dados exige novas demandas e tarefas 
desafiadoras na área de mineração de dados e aprendizagem de máquina. Esse 
fluxo pode ser categorizado como um sistema que gera muitos dados ao longo 
do tempo.
Dessa forma, quando a distribuição de probabilidade dentro desse fluxo 
varia, estamos com um problema comumente conhecido como mudança de conceito 
(Concept Drift).
O processo de implementação de novos métodos para lidar com fluxos de dados 
contendo mudanças de conceito requer algoritmos que sejam capazes de se 
adaptar a diferentes situações para, assim, melhorar sua performance.
Nesse sentido, o ajuste dinâmico de parâmetros é um contexto pouco 
aprofundado nas implementações e experimentações das pesquisas da área, 
requerendo uma especial atenção, sobretudo para que estes métodos consigam 
se adaptar melhor aos diferentes ambientes onde são aplicados.
Nesta pesquisa são propostos vários enfoques e estratégias para ajustar 
parâmetros de forma dinâmica em vários algoritmos de classificação 
existentes. Desse modo, primeiramente são apresentadas várias versões do 
Paired k-NN Learners with Dynamically Adjusted Number of Neighbors (PLKNN, 
PLKNN2, PLKNN3 e PLKNN4), um novo método de classificação em par que 
utiliza diferentes procedimentos para ajustar de forma dinâmica e 
incremental o número de vizinhos k. Todas as versões são aplicados ao 
processo de aprendizagem online em fluxo de dados com mudanças de conceitos.
A outra proposta desta tese é o Parameter Estimation Procedure (PEP), um 
método genérico para o ajuste dinâmico de parâmetros que é aplicado ao 
parâmetro de diversidade 𝜆 (lambda), comum a vários comitês de 
classificadores utilizados na área. Com essa finalidade, o método de 
estimação proposto (PEP) foi utilizado para criar versões alternativas de 
três comitês já existentes: Boosting-like Online Learning Ensemble with 
Parameter Estimation (BOLE-PE), Online AdaBoost-based M1 with Parameter 
Estimation (OABM1-PE) e Oza and Russell's Online Bagging with Parameter 
Estimation (OzaBag-PE).
Para validá-los, foram realizados experimentos com conjuntos de dados 
artificiais e reais e os resultados foram avaliados usando a métrica de 
acurácia e o teste de Friedman com o pós-teste Nemenyi.
Os resultados relacionados com PL-kNN e suas versões mostram que estas 
contribuições melhoraram o desempenho do K-Nearest Neighbors (k-NN) com 
valores fixos de $k$ na maior parte dos cenários testados.
Já os resultados das versões BOLE-PE, OABM1-PE e OzaBag-PE evidenciaram que 
a estimação dinâmica do 𝜆 é capaz de produzir bons resultados na maioria 
dos ambientes experimentados.

MEMBROS DA BANCA:
Interno - 1675582 - CLEBER ZANCHETTIN
Externo à Instituição - FRANCISCO MADEIRO BERNARDINO JUNIOR - UNICAP
Presidente - 1277250 - GERMANO CRISPIM VASCONCELOS
Externo à Instituição - JOÃO ROBERTO BERTINI JUNIOR - UNICAMP
Externo à Instituição - PAULO MAURICIO GONÇALVES JUNIOR - IFPE