Banca de DEFESA: GUSTAVO HENRIQUE FERREIRA DE MIRANDA OLIVEIRA

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : GUSTAVO HENRIQUE FERREIRA DE MIRANDA OLIVEIRA
DATA : 24/02/2022
HORA: 13:00
LOCAL: Virtual
TÍTULO:

TACKLING VIRTUAL AND REAL CONCEPT DRIFTS VIA ADAPTIVE GAUSSIAN MIXTURE MODEL APPROACHES

PALAVRAS-CHAVES:

Modelo de Mistura Gaussiana, Fluxos de Dados, Mudança de 
Conceito Virtual, Mudança de Conceito Real, Entendimento da Mudança.

PÁGINAS: 114
RESUMO:

As aplicações do mundo real têm lidado com uma grande quantidade de 
informações, que chegam de forma contínua e sequencialmente ao longo do 
tempo, caracterizadas como fluxos de dados. Esse tipo de dado desafia os 
algoritmos de aprendizado de máquina devido à mudança de conceito. A 
mudança de conceito é uma mudança na distribuição de probabilidade conjunta 
do problema e tem duas variações: a mudança virtual que afeta a 
distribuição de probabilidade incondicional p(x); e a mudança real que 
afeta a distribuição de probabilidade condicional p(y|x). Essas mudanças 
podem ocorrer separadamente e simultaneamente e ter impactos diferentes no 
desempenho do classificador. Os trabalhos da literatura geralmente não 
compreendem bem esses aspectos. Devido a isso, se concentram apenas nas 
mudanças reais, por que elas causam degradação direta no desempenho do 
classificador. No entanto, desvios virtuais também podem causar essa 
degradação de forma indireta. Novas observações podem chegar em uma região 
não treinada pelo classificador, forçando-o a confundir sua verdadeira 
classe, assim cometendo erros de classificação. O ideal seria ter 
classificadores que entendam que tipo de mudança ocorre em determinado 
momento para ativar estratégias apropriadas para lidar com este desafio. 
Este processo é chamado de entendimento da mudança. Como as abordagens da 
literatura não compreendem bem os diferentes impactos causados pelas 
mudanças virtuais e reais, o seu desempenho fica limitado. Motivados por 
isso, propomos três abordagens para entender o tipo da mudança e usar a 
estratégia correta para se adaptar, sendo elas: (i) (GMM-VRD) Gaussian 
Mixture Model For Dealing With Virtual and Real Concept Drifts; (ii) 
(OGMMF-VRD) On-line Gaussian Mixture Model With Noise Filter For Handling 
Virtual And Real Concept Drifts ; e (iii) (GLDD-DU) Gaussian Local Drift 
Detector for Drift Understanding. Essas abordagens atualizam e criam 
Gaussians on-line para lidar com mudanças virtuais, usam detectores de 
mudança para reinicializar o conhecimento do sistema para lidar com 
mudanças reais e recuperam modelos do pool para acelerar a adaptação a um 
novo conceito. Os principais resultados mostraram que todas as abordagens 
apresentam desempenho competitivo, mas o OGMMF-VRD foi mais consistente ao 
longo dos conjuntos de dados, apresentando melhor desempenho.

MEMBROS DA BANCA:
Externo à Instituição - LUIZ EDUARDO SOARES OLIVEIRA - UFPR
Externo à Instituição - JOAO GAMA - UNIPORTO
Interno - 383924 - FRANCISCO DE ASSIS TENORIO DE CARVALHO
Interno - 1512321 - GEORGE DARMITON DA CUNHA CAVALCANTI
Presidente - 2133999 - TERESA BERNARDA LUDERMIR