Agenda de defesas Agenda de defesas

Voltar

Ciência da Computação promove amanhã defesa de dissertação às 9h

O mestrando Darniton Amorim Viana foi orientado pelo professor Luciano de Andrade Barbosa

O mestrando Darniton Amorim Viana, orientado pelo professor Luciano de Andrade Barbosa, defende amanhã (26) a sua dissertação “Using Attention Networks to Learn Representations for House Price”, às 9h, no auditório do Centro de Informática. A banca examinadora é formada pelos professores Tsang Ing Ren(UFPE/CIn), João Paulo Pordeus Gomes(UFC/Departamento de Computação) e Luciano de Andrade Barbosa(UFPE/CIn). Esta é a dissertação nº 1.842 defendida no Programa de Pós-Graduação em Ciência da Computação da UFPE.

Resumo

Estimar o valor de mercado de um imóvel é importante para muitos negócios, tais como imobiliárias e empresas de concessão de empréstimos imobiliários. O preço do imóvel não depende apenas de suas características estruturais (e.g. área e número de quartos), mas também de sua vizinhança. Este contexto pode ser explicitamente capturado, por exemplo, através da coleta de imagens de satélite ou ponto de interesses na vizinhança, ou implicitamente através da observação dos preços dos imóveis vizinhos. Como coletar explicitamente o contexto espacial é usualmente custoso, neste trabalho, nós estimaremos o preço de uma casa baseado unicamente em suas características estruturais e as características e preços de sua vizinhança. Para capturar implicitamente o contexto espacial de um imóvel, nós propomos um mecanismo de atenção híbrido que pondera a vizinhança baseada em sua similaridade em termos de características estruturais e localização geográfica do imóvel. Para as características estruturais, nós aplicamos uma atenção baseada na distância euclidiana e, para a localização geográfica, nós implementamos uma camada de atenção baseada em um kernel de função de base radial. Esses mecanismos de atenção são usados por um regressor em uma rede neural para aprender um vetor que representa um imóvel: o house embedding. Este vetor pode então ser usado como um feature set para algum outro regressor realizar a predição do preço do imóvel. Nós realizamos uma extensiva avaliação experimental em quatro diferentes conjuntos de dados do mundo real que mostram que: (1) regressores usando house embedding obtêm os melhores resultados em todos os quatro conjuntos de dados; (2) o house embedding aprendido melhora a performance dos regressores avaliados em quase todos os cenários comparado com os resultados usando os atributos originais; (3) modelos que utilizam regressores simples semelhante à regressores lineares, usando house embedding, alcançam comparáveis resultados em relação a algorítimos mais competitivos, tais como Random forest e Xgboost; e (4) nosso solução proposta obtém resultados melhores que abordagens anteriores que utilizam deep learning para predição do valor do imóvel que utilizam uma estratégia mais custosa para capturar o espacial contexto.

Data da última modificação: 25/07/2019, 13:20