Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Barbon Junior, Sylvio [Orientador] | - |
Autor(es): dc.contributor | Zarpelão, Bruno Bogaz | - |
Autor(es): dc.contributor | Carvalho, Luiz Fernando | - |
Autor(es): dc.creator | Martins, Vinicius Eiji | - |
Data de aceite: dc.date.accessioned | 2025-05-15T13:09:54Z | - |
Data de disponibilização: dc.date.available | 2025-05-15T13:09:54Z | - |
Data de envio: dc.date.issued | 2024-05-01 | - |
Data de envio: dc.date.issued | 2024-05-01 | - |
Data de envio: dc.date.issued | 2025-05-15 | - |
Data de envio: dc.date.issued | 2025-05-15 | - |
Fonte completa do material: dc.identifier | https://repositorio.uel.br/handle/123456789/13984 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/981414 | - |
Descrição: dc.description | Resumo: 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 streams | - |
Descrição: dc.description | Dissertação (Mestrado em Ciência da Computação) - Universidade Estadual de Londrina, Centro de Ciências Exatas, Programa de Pós-Graduação em Ciência da Computação | - |
Descrição: dc.description | Abstract: 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 streams | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Relação: dc.relation | Mestrado | - |
Relação: dc.relation | Ciência da Computação | - |
Relação: dc.relation | Centro de Ciências Exatas | - |
Relação: dc.relation | Programa de Pós-Graduação em Ciência da Computação | - |
Palavras-chave: dc.subject | Computação | - |
Palavras-chave: dc.subject | Meta-aprendizado | - |
Palavras-chave: dc.subject | Aprendizado ativo | - |
Palavras-chave: dc.subject | Classificação de streams | - |
Palavras-chave: dc.subject | Ajuste dinâmico | - |
Palavras-chave: dc.subject | Computer science | - |
Palavras-chave: dc.subject | Meta-learning | - |
Palavras-chave: dc.subject | Active learning | - |
Palavras-chave: dc.subject | Stream classification | - |
Palavras-chave: dc.subject | Dynamic tuning | - |
Título: dc.title | Meta-learning for active learning tuning on stream classification | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional da UEL - RIUEL |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: