Meta-learning for active learning tuning on stream classification

Página do item simplificado
dataload.collectionmapped02 - Mestrado - Ciência da Computaçãopt_BR
dataload.filenamenourau8712.pdfpt_BR
dataload.handlemapped123456789/50pt_BR
dataload.idpergamum16204pt_BR
dataload.idvirtuanourauvtls000236423pt_BR
dataload.idvirtuapergamumvtls000236423pt_BR
dataload.idvirtuapergamum.sameurlnourauSIMpt_BR
dataload.linknourauhttp://www.bibliotecadigital.uel.br/document/?code=vtls000236423pt_BR
dataload.linknourau.regularSIMpt_BR
dataload.linknourau.retificadohttp://www.bibliotecadigital.uel.br/document/?code=vtls000236423pt_BR
dataload.linknourau.size64.00pt_BR
dc.contributor.advisorBarbon Junior, Sylvio [Orientador]pt_BR
dc.contributor.authorMartins, Vinicius Eijipt_BR
dc.contributor.bancaZarpelão, Bruno Bogazpt_BR
dc.contributor.bancaCarvalho, Luiz Fernandopt_BR
dc.coverage.spatialLondrinapt_BR
dc.date.accessioned2024-05-01T14:22:18Z
dc.date.available2024-05-01T14:22:18Z
dc.date.created2022.00pt_BR
dc.date.defesa11.03.2022pt_BR
dc.description.abstractResumo: Aprendizado de Máquina Supervisionado exige o conhecimento de todos os rótulos dos dados a serem utilizados para se treinar um modelo Enquanto isso é factível em situ ações onde os dados são estáticos, em situações de dados contínuos, ou streaming, isso se torna inviável Não só pela quantidade potencialmente infinita de dados, como também a velocidade exigida do modelo para que não se crie um atraso muito grande Aprendizado Ativo (Active Learning) já resolveu uma porção considerável desse problema, diminuindo drasticamente o número de rótulos necessários para treinar um modelo enquanto se man tém uma performance competitiva Essa técnica porém ainda apresenta seus desafios, um deles é o ajuste necessário da técnica com base na tarefa a ser realizada e a possibilidade de que os conceitos e comportamentos dos dados sendo analisados mudem, exigindo uma atualização não só do modelo sendo treinado, como também dos parâmetros de apren dizado ativo ajustados Levando isso em conta, este trabalho busca reduzir esse problema com o uso de Meta-aprendizado Utilizamos Aprendizado Ativo com amostragem baseada em streaming utilizando uma métrica de incerteza para decidir a necessidade de rotulação Esta métrica é comparada com um valor de limiar chamado ?? Com meta-aprendizado podemos decidir o valor de ?? dinamicamente e automaticamente, promovendo a adapt abilidade do modelo quanto a mudança de conceitos e eliminando o passo inicial de decidir qual valor de ?? é mais propício para a tarefa a ser realizada Nossos experimentos demon straram uma redução na quantidade de rótulos necessários para o treinamento (média de 555%) com uma acurácia similar ao uso de Very Fast Decision Tree (VFDT) sob diferentes situações de mudança de conceitos em streamspt_BR
dc.description.abstractother1Abstract: Supervised Machine Learning requires knowing the labels from the entire dataset being used for its training While this is manageable in scenarios where the data is static, in situations where data is continuous, or in streaming situations, this becomes infeasible Not only because of the potentially infinite amount of data, but also because of the speed necessary for the model so that a long delay is avoided Active Learning has already solved a good portion of this problem, drastically lowering the number of required labels to train a model, all while maintaining competitive performance However, this technique does present its own set of challenges For example, the required tuning for each task may become outdated should the concepts and behaviours from the data change This would require that not only a change be made to the model being trained, but also to the active learning parameters Taking this into consideration, this work tackles this problem with the use of Meta-learning We used Active Learning with Stream-based Selective Sampling and Uncertainty Sampling, a metric that uses a threshold value named ?? With Meta-learning we can set ??’s value dynamically and automatically, providing adaptability to the model regarding concept drifts and also removing the initial step of choosing an optimal ?? for the task at hand Our experiments showed a reduction in the number of labels necessary for model training (average of 555%) with a similar performance to the use of Very Fast Decision Trees (VFDT) under different scenarios of concept drift in data streamspt_BR
dc.description.notesDissertação (Mestrado em Ciência da Computação) - Universidade Estadual de Londrina, Centro de Ciências Exatas, Programa de Pós-Graduação em Ciência da Computaçãopt_BR
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/13984
dc.languagepor
dc.relation.coursedegreeMestradopt_BR
dc.relation.coursenameCiência da Computaçãopt_BR
dc.relation.departamentCentro de Ciências Exataspt_BR
dc.relation.ppgnamePrograma de Pós-Graduação em Ciência da Computaçãopt_BR
dc.subjectComputaçãopt_BR
dc.subjectMeta-aprendizadopt_BR
dc.subjectAprendizado ativopt_BR
dc.subjectClassificação de streamspt_BR
dc.subjectAjuste dinâmicopt_BR
dc.subjectComputer sciencept_BR
dc.subjectMeta-learningpt_BR
dc.subjectActive learningpt_BR
dc.subjectStream classificationpt_BR
dc.subjectDynamic tuningpt_BR
dc.titleMeta-learning for active learning tuning on stream classificationpt_BR
dc.typeDissertaçãopt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
8712.pdf
Tamanho:
937.74 KB
Formato:
Adobe Portable Document Format
Baixar

Coleções

02 - Mestrado - Ciência da Computação