O Programa de Pós-Graduação em Ciência da Computação (PPGCC) promove na próxima segunda-feira (18) defesa da tese de doutorado “Online Boosting para Problemas Multiclasse e Evolução Diferencial para Otimização de Detectores de Mudanças de Conceito”, de Silas Garrido Teixeira de Carvalho Santos. A defesa está marcada para as 8h30 no auditório do Centro de Informática (CIn).

A tese teve orientação do professor Roberto Souto Maior de Barros. A banca examinadora será formada pelos professores Paulo Jorge Leitão Adeodato (UFPE/CIn), Ricardo Bastos Cavalcante Prudêncio (UFPE/CIn), João Roberto Bertini Junior (Unicamp/Faculdade de Tecnologia), Symone Gomes Soares Alcalá (UFG/Faculdade de Ciências e Tecnologia) e Rodrigo Fernandes de Mello (USP/ICMC- Departamento de Ciências da Computação).

Resumo

A predição em ambientes em que as informações fluem de forma contínua, rápida e em grandes quantidades vem se tornando cada vez mais importante na solução de problemas reais. Nesse tipo de cenário, a distribuição dos dados geralmente evolui com o tempo, desencadeando uma situação conhecida como mudança de conceito (concept drift). Um dos principais desafios é fazer com que os métodos lidem com muita informação de maneira satisfatória e levando em consideração as limitações computacionais. Esta tese está dividida em duas partes mais ou menos independentes. Na primeira delas, dois métodos online de boosting são propostos. O primeiro deles (OABM1) tem por objetivo realizar uma melhor distribuição dos pesos das instâncias equiparando suas características ao tradicional AdaBoost.M1; já o segundo (OABM2) foca em problemas multiclasse e é baseado no AdaBoost.M2. Argumentações teóricas foram utilizadas para demonstrar que ambos mantêm as principais características dos métodos em que são baseados e que convergem em tempo exponencial. Adicionalmente, experimentos foram realizados para comparar acurácia e consumo de memória dos métodos propostos em relação a outras abordagens utilizando 20 bases reais. Os resultados sugerem um desempenho igual ou superior aos outros métodos testados. Na segunda parte desta tese, um método/framework empírico é apresentado, baseando-se no algoritmo Evolução Diferencial. Seu objetivo é guiar na escolha de uma parametrização adequada para detectores de mudanças de conceito, além de sugerir algumas estratégias para serem utilizadas em diferentes cenários. A base desse framework vem de experimentos pré-processados em oito geradores artificiais, cada um deles com mudanças abruptas e graduais (120 versões, no total), além de seis bases reais, 11 detectores e dois classificadores. A performance de todos os 11 detectores foram comparadas utilizando seus parâmetros padrões e várias outras parametrizações prescritas pelo framework. Resultados indicam que a performance desses detectores aumenta consideravelmente com a utilização do método proposto.

Mais informações 
(81) 2126.8430
secpos@cin.ufpe.br