Agenda de defesas Agenda de defesas

Voltar

Ciência da Computação promove quatro defesas de dissertação amanhã (26) e quarta-feira (27)

As defesas ocorrerão no prédio do Centro de Informática

O Programa de Pós-Graduação em Ciência da Computação promove amanhã quatro defesas de dissertação.

Confira abaixo as informações:

Aluno: Pedro Henrique Magalhães Braga
Orientador: Hansenclever de França Bassani
Título: “Semi-Supervised Self-Organizing Maps with Time-Varying Structures for Clustering and Classification”
Data: 26/02
Hora/local: 10h – auditório
Banca examinadora:
Cleber Zanchettin (UFPE/Centro de Informática)
Francisco Madeiro Bernardino Junior (Unicap/Centro de Ciências e Tecnologia)
Hansenclever de França Bassani (UFPE/Centro de Informática)

Resumo 1

Nos últimos anos, os avanços na tecnologia têm produzido conjuntos de dados de tamanhos cada vez maiores, não apenas em relação ao número de amostras, mas também ao número de características. Infelizmente, apesar desses avanços, criar uma quantidade suficientemente grande de dados, adequadamente rotulados com amostras suficientes para cada classe, não é uma tarefa fácil. Organizar e rotular esses dados são tarefas desafiadoras, caras e demoradas. Além disso, por ser geralmente feito de forma manual, pessoas podem rotular com diferentes formatos e estilos, incorporando ruído e erro aos dados. Assim, há um crescente interesse em aprendizagem semi-supervisionada, uma vez que, em muitas tarefas de aprendizagem, existe uma abundante quantidade de dados não rotulados, em contrapartida aos rotulados. Portanto, no atual estágio de pesquisa, é de grande importância desenvolver modelos de aprendizagem semi-supervisionada, com o intuito de combinar os dois tipos de dados, a fim de se beneficiar das distintas informações que eles podem fornecer. Dessa forma, é possível obter melhores desempenhos para ambas as tarefas de agrupamento e classificação, o que pode expandir a gama de aplicações em aprendizagem de máquina. Ainda, desenvolver modelos que sejam fáceis de parametrizar de tal maneira que se tornem robustos às diferentes características dos dados disponíveis também é relevante. Nesse sentido, Mapas Auto-Organizáveis (SOM) podem ser considerados boas opções. O SOM é um modelo neural, biologicamente inspirado, que usa aprendizagem não supervisionada e incremental para produzir protótipos dos dados de entrada. No entanto, sua característica não supervisionada inviabiliza a realização de aprendizagem semi-supervisionada. Esta dissertação apresenta algumas novas propostas de modelos baseados em SOM para realizar tarefas de aprendizagem semi-supervisionada tanto para agrupamento, como para classificação. Isso é feito introduzindo ao SOM conceitos da tradicional Quantização Ventorial (LVQ), que pode ser vista como sua versão supervisionada para construir abordagens híbridas. Tais propostas podem alternar dinamicamente entre duas formas de aprendizagem em tempo de treinamento, de acordo com a disponibilidade de rótulos, além de se ajustarem automaticamente às variâncias locais observadas em cada grupo de dados. No decorrer deste trabalho, os resultados experimentais mostrarão que os modelos propostos podem superar o desempenho de outros métodos tradicionais, não apenas em termos de classificação, mas também na qualidade de agrupamento. As propostas também aumentam a gama de possíveis aplicações de modelos baseados em SOM e LVQ, uma vez que os combinam com técnicas recentes e promissoras de aprendizagem profunda para resolver problemas mais complexos comumente encontrados em tal área.

Aluno: Thiago Vinicius Machado de Souza
Orientador: Cleber Zanchettin
Título: “Utilizando Spatial Transformer Networks no Agrupamento de Imagens Baseado em Deep Adaptive Clustering”
Data: 26/02
Hora/local: 8h – anfiteatro
Banca examinadora:
Carlos Alexandre Barros de Mello (UFPE/Centro de Informática)
Bruno José Torres Fernandes (Poli/UPE)
Cleber Zanchettin (UFPE/Centro de Informática)

Resumo 2

O agrupamento de imagens é uma tarefa importante, mas desafiadora na aprendizagem de máquina. Como na maioria das áreas de processamento de imagens, as últimas melhorias foram obtidas a partir de modelos baseados em aprendizagem profunda. No entanto, os métodos clássicos de aprendizagem profunda têm dificuldade para lidar com transformações espaciais nas imagens como escala e rotação por exemplo. Nesta dissertação, propomos o uso de técnicas de atenção visual para reduzir este problema em métodos de agrupamento de imagens. Avaliamos a combinação de um modelo de agrupamento profundo de imagens chamado Deep Adaptive Clustering (DAC) com o módulo de atenção visual Spatial Transformer Networks (STN). O modelo proposto é avaliado nos conjuntos de dados MNIST e FashionMNIST e superou o modelo de referência em experimentos realizados.

Aluno: Mario Gomes de Melo
Orientador:Aluizio Fausto Ribeiro Araújo
Título: “Adaptação Local da Matriz de Covariância Guiada por Mecanismos de Exploração em Estratégias de Evolução”
Data: 26/02
Hora/Local: 17h – Centro de Informática – auditório
Banca examinadora:
Aluizio Fausto Ribeiro Araújo (UFPE/CIn)
Carmelo Jose Albanez Bastos Filho (Poli/UPE)
Aluizio Fausto Ribeiro Araújo (UFPE / CIn)

Resumo 3

Covariance Matrix Adaptation Evolution Strategy (CMA-ES) é o Estado-da-Arte, em computação evolucionária, para otimização de funções mono-objetivo no domínio dos números reais. Contudo, apresenta algumas limitações, como a dependência do ponto de inicialização e do tamanho da população, que podem conduzi-lo à convergência prematura, principalmente em funções multimodais. Portanto, agregar ao CMA-ES um mecanismo que possibilite explorar o espaço de busca, à procura de regiões mais promissoras, apresenta-se como uma relevante alternativa para mitigar estas limitações. Ao longo dos anos, foram desenvolvidos modelos baseados no CMA-ES que utilizam algum processo de exploração para evitar tais comportamentos, desde aqueles que aplicam reinicialização do processo evolucionário aos que empregam outro algoritmo com características exploratórias, como o Differential Evolution (DE), obtendo-se, portanto, um algoritmo memético. Com base nas evidências apresentadas, foi desenvolvido neste trabalho o Local CMA-ES Guided by Differential Evolution (L-CMA-DE), com o objetivo de aproveitar a sinergia entre a reinicialização e algoritmos meméticos, ao combinar CMA-ES e DE para produzir melhores soluções sem aumentar o número de avaliações de função. Logo, o algoritmo proposto é fundamentado em dois processos adaptativos: exploração em subespaços independentes, através do CMA-ES, guiada por uma exploração global, realizada pelo DE. Os experimentos realizados sugerem que o L-CMA-DE apresenta melhor resultado quando comparado ao CMA-ES e ao DE, aplicados isoladamente. A nova proposta também apresenta uma melhor performance quando comparada a algoritmos Estado-da-Arte, em funções de maior complexidade, sem prejuízo na quantidade de avaliações de função.

Aluno: Diogo Espinhara Oliveira
Orientador: Frederico Luiz Gonçalves de Freitas
Coorientador: Ryan Ribeiro de Azevedo (DCC/UFRPE/Garanhuns)
Título: “CoreACQ: Um Framework Computacional para Validar Questões de Competência por Raciocínio Automático sobre a Ontologia Sumo”
Data: 27/02
Hora/local: 8h – Centro de Informática – anfiteatro
Banca examinadora:
Anjolina Grisi de Oliveira (UFPE/Centro de Informática)
José Maria Parente de Oliveira (ITA/Divisão de Ciência da Computação)
Frederico Luiz Gonçalves de Freitas (UFPE/Centro de Informática)

Resumo 4

Abordagens baseadas em Questões de Competência (CQ, Competency Question), que permitem especificar os requisitos de uma base de conhecimento na forma de consultas, usadas para a avaliação de ontologias, são bastante utilizadas em ferramentas encontradas na área da Engenharia de Ontologias. Um engenheiro de ontologias deve verificar a sua ontologia de acordo com a especificação de seu projeto, para isso, pode definir um conjunto de CQs que deve ser inferido – isto é, confirmado por raciocínio automático – pela ontologia e, no caso de informações inconsistentes ou incompletas, precisa corrigir os problemas encontrados. Atualmente, existem ferramentas capazes de apoiar o processo de avaliação de ontologias através de recursos para facilitar e automatizar a verificação (ou validação) de CQs, entretanto, ainda necessitam de muita intervenção humana para solucionar as falhas no desenvolvimento das ontologias. Este quadro situacional leva nossa exploração a meios de possibilitar que ferramentas possam evoluir uma ontologia de forma automática, fazendo uso de fontes de informações confiáveis e gratuitas como, por exemplo, a Ontologia de Topo Sumo. Desenvolvemos o CoreACQ, um framework computacional, projetado para validar CQs por raciocínio automático sobre a SUMO. Nossa solução consiste em uma solução viável para o problema de ontologias de domínio incompletas – as quais falham no processo de avaliação por não possuírem os conhecimentos exigidos como requisitos. Os resultados alcançados demonstraram que CoreACQ consiste em uma solução eficiente para: (1) Validação de CQs; para isso, manipula consultas em FOL (First Order Logic) e realiza inferências sobre a Sumo com o objetivo de respondê-las utilizando um sistema ATP (Automated Theorem Prover) e para (2) Raciocínio Automático; as funcionalidades implementadas permitem que novos fatos sejam deduzidos a partir de uma ontologia em FOL, bem como otimização do tempo do processo de raciocínio por representação e busca de axiomas em grafos e um mecanismo de cache. Concluímos também que nosso framework é uma solução computacional que pode ser utilizado por outras ferramentas de desenvolvimento de ontologias, como por exemplo, o protégé.

Data da última modificação: 25/02/2019, 13:56