O Programa de Pós-Graduação em Ciência da Computação promove defesa de dissertação de mestrado de Juliana Barcellos Mattos. A defesa acontece amanhã (10), às 13h30. A apresentação acontece de forma virtual. Interessados em assistir entrar em contato com a aluna pelo e-mail jbm4@cin.ufpe.br.

Com o título “A Supervised Descriptive Local Pattern Mining Approach to The Discovery of Subgroups with Exceptional Survival Behaviour”, o trabalho contou com a orientação do professor Renato Vimieiro e coorientação do professor Paulo Salgado Gomes de Mattos Neto. A banca examinadora terá a participação dos professores Teresa Bernarda Ludermir (UFPE/Centro de Informática), Gisele Lobo Pappa (UFMG/Departamento de Ciência da Computação) e Renato Vimieiro (UFMG/Departamento de Ciência da Computação).

Resumo

Há vários trabalhos na literatura dedicados a descobrir fatores associados a comportamentos de sobrevivência. No entanto, as ferramentas computacionais utilizadas para tal são modelos globais projetados para estimar se e quando um dado evento de sobrevivência ocorrerá. Em se tratando do problema de explicar diferentes respostas de sobrevivência (não usuais), tais abordagens recorrem a suposições a respeito de variáveis preditivas e a análises estratificadas. Em outras palavras, as abordagens existentes não possuem a capacidade de descobrir excepcionalidades locais nos dados nem prover novos conhecimentos a respeito de fatores associados à sobrevivência. Este trabalho tem por objetivo apresentar uma nova ferramenta computacional para identificação e caracterização (de forma simples e objetiva) das diferentes respostas de sobrevivência existentes em uma população de indivíduos. Neste trabalho, o problema enunciado é abordado através da perspectiva da mineração supervisionada de padrões descritivos (em inglês, supervised descriptive pattern mining) com o intuito de descobrir padrões locais associados a diferentes comportamentos de sobrevivência. Para tal, é empregada a técnica de mineração de modelos excepcionais (do inglês, Exceptional Model Mining) com o objetivo de descrever – de forma simples e concisa – subgrupos que apresentem modelos de sobrevivência (Kaplan-Meier) não usuais. Em contraste às heurísticas ‘gulosas’ prevalentes na literatura de mineração de modelos excepcionais, a abordagem introduzida neste trabalho explora o uso da meta-heurística de otimização Ant-Colony Optimisation na busca por subgrupos. O problema de redundância de padrões também é considerado, objetivando a descoberta de um conjunto de subgrupos que sejam diversos com relação a suas descrições, coberturas e modelos. O desempenho da abordagem apresentada é avaliado em 14 conjuntos de dados reais. Os resultados mostram que o algoritmo proposto é capaz de descobrir padrões representativos que apresentam modelos precisos e caracterizações de simples compreensão. Adicionalmente, os subgrupos descobertos potencialmente capturam comportamentos de sobrevivência existentes nos dados. A redundância de padrões é abordada de forma bem-sucedida, tal que os resultados retornados apresentam conjuntos de subgrupos que são diversos (únicos) e excepcionais. Quando comparado a outras abordagens existentes na literatura que fornecem caracterizações de comportamentos incomuns de sobrevivência, O algoritmo apresentado se sobressai aos demais tanto em relação ao aspecto descritivo de seus resultados e quanto à diversidade de suas descobertas.