Banca de DEFESA: PAULO MARTINS MONTEIRO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : PAULO MARTINS MONTEIRO
DATA : 28/10/2022
HORA: 10:00
LOCAL: Virtual
TÍTULO:

Propostas de métodos baseados em Co-op training para aprendizado 
semi-supervisionado em fluxos contínuos de dados

PALAVRAS-CHAVES:

Fluxo contínuo de dados, Classificação, Aprendizado 
semi-supervisionado, Mudanças de conceito, Rotulação de dados.

PÁGINAS: 61
RESUMO:

No contexto de fluxo contínuo de dados, no qual os dados são gerados em 
tempo real, é comum a existência de dados sem rótulos, por exemplo, devido 
ao alto custo para rotulá-los. Para lidar com estes dados, estão sendo 
propostas estratégias de aprendizagem semi-supervisionadas em que são 
utilizados dados rotulados e não rotulados ao mesmo tempo. Outro desafio 
típico dos fluxos contínuos de dados é a presença das chamadas mudanças de 
conceito (concept drift): neste cenário, a distribuição dos dados muda com 
o tempo, o que causa uma diminuição da precisão das classificações. Essa 
dissertação apresenta três novos métodos baseados na técnica de Co-op 
training, nos quais são utilizados dois classificadores que cooperam entre 
si para realizar predições em fluxos contínuos de dados. Estes algoritmos 
foram adaptados com o objetivo de obter uma melhor acurácia de 
classificação quando comparados ao método original e aos seus concorrentes. 
O primeiro método proposto é o Co-op training V2, uma versão menos rigorosa 
do método original; o segundo é o Co-op training V3, que utiliza apenas o 
grau de confiança de ambos os classificadores para rotular dados sem 
rótulo; e o último é o Co-op Training V4, que também utiliza apenas o grau 
de confiança na rotulação de dados, tendo o treinamento de ambos os 
classificadores como principal diferença para o V3. Os métodos propostos 
foram comparados aos algoritmos disponíveis no MOA-SS, a extensão do 
Massive Online Analysis (MOA) framework que foi utilizada para realizar os 
testes. Os experimentos utilizaram bases de dados artificiais e reais, 
tanto em conjuntos de dados sem mudanças de conceito quanto em cenários com 
mudanças de conceito. Finalmente, analisamos quais algoritmos se saíram 
melhor em cada um dos cenários testados, incluindo a avaliação estatística 
dos resultados.

MEMBROS DA BANCA:
Presidente - 2133463 - ROBERTO SOUTO MAIOR DE BARROS
Externo à Instituição - PAULO MAURICIO GONÇALVES JUNIOR - IFPE
Externo à Instituição - RODOLFO CARNEIRO CAVALCANTE - UFAL