Banca de DEFESA: JOSE NATANIEL ANDRADE DE SA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: JOSE NATANIEL ANDRADE DE SA
DATA : 24/02/2023
HORA: 09:00
LOCAL: Virtual
TÍTULO:

Modelos de Co-clustering Fuzzy Baseados em Kernel no Espaço de 
Características com Ponderação Automática das Variáveis

PALAVRAS-CHAVES:

Co-clustering; Funções kernel; Ponderação automática das 
variáveis; Distâncias adaptativas; Agrupamento fuzzy.

PÁGINAS: 121
RESUMO:

Nesta dissertação, propomos métodos de co-clustering fuzzy baseados em 
kernel com ponderação automática das variáveis via distâncias adaptativas. 
Algoritmos de co-clustering realizam o agrupamento simultâneo de objetos e 
variáveis. Esses métodos organizam a matriz de dados em blocos homogêneos, 
conseguindo fornecer insights a respeito da associação entre objetos e 
variáveis. Funções kernel têm sido usadas com sucesso nos algoritmos de 
agrupamento convencional para mitigar o problema da separabilidade dos 
grupos, que também pode afetar os algoritmos de co-clustering. O uso de 
distâncias adaptativas nos permite aprender dinamicamente os pesos das 
variáveis durante o processo de otimização, levando a uma melhora no 
desempenho dos algoritmos. Distâncias adaptativas mudam a cada iteração do 
algoritmo e podem ser a mesma para todos os grupos (distância adaptativa 
global) ou diferentes de um grupo para outro (distância adaptativa local). 
Nesse sentido, três algoritmos foram propostos: (i) O Gaussian Kernel Fuzzy 
Double K-Means (GKFDK) é o algoritmo base, o qual combina co-clustering com 
o kernel gaussiano, mas considera que todas as variáveis são igualmente 
importantes na formação dos grupos de objetos. (ii) O Gaussian Kernel Fuzzy 
Double K-Means Based on Global Adaptive Distance (GKFDK-GP) é uma extensão 
do GKFDK que realiza a ponderação de variáveis. O GKFDK-GP considera que as variáveis têm o mesmo  peso para todos os grupos de objetos. (iii) O Gaussian Kernel Fuzzy Double 
K-Means Based on Local Adaptive Distance (GKFDK-LP) também é uma extensão 
do GKFDK que realiza a ponderação de variáveis. Contudo, o GKFDK-LP 
considera que as variáveis têm pesos diferentes para cada grupo de objetos. 
Experimentos realizados com dados sintéticos e reais, em comparação com 
algoritmos de co-clustering e de agrupamento convencional do estado da 
arte, mostraram a eficácia dos algoritmos propostos. Os modelos com 
ponderação das variáveis apresentaram os melhores resultados no geral, onde 
o GKFDK-LP obteve o melhor desempenho entre todos, seguido do GKFDK-GP. O 
algoritmo base GKFDK obteve o terceiro melhor desempenho, em relação à 
maioria das métricas de avaliação.

MEMBROS DA BANCA:
Interno - 383924 - FRANCISCO DE ASSIS TENORIO DE CARVALHO
Externo à Instituição - LUCIANO DEMETRIO SANTOS PACIFICO - UFRPE
Presidente - 2766820 - SERGIO RICARDO DE MELO QUEIROZ