Meta-learning for active learning tuning on stream classification

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBarbon Junior, Sylvio [Orientador]-
Autor(es): dc.contributorZarpelão, Bruno Bogaz-
Autor(es): dc.contributorCarvalho, Luiz Fernando-
Autor(es): dc.creatorMartins, Vinicius Eiji-
Data de aceite: dc.date.accessioned2025-05-15T13:09:54Z-
Data de disponibilização: dc.date.available2025-05-15T13:09:54Z-
Data de envio: dc.date.issued2024-05-01-
Data de envio: dc.date.issued2024-05-01-
Data de envio: dc.date.issued2025-05-15-
Data de envio: dc.date.issued2025-05-15-
Fonte completa do material: dc.identifierhttps://repositorio.uel.br/handle/123456789/13984-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/981414-
Descrição: dc.descriptionResumo: 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.descriptionDissertação (Mestrado em Ciência da Computação) - Universidade Estadual de Londrina, Centro de Ciências Exatas, Programa de Pós-Graduação em Ciência da Computação-
Descrição: dc.descriptionAbstract: 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.formatapplication/pdf-
Idioma: dc.languagept_BR-
Relação: dc.relationMestrado-
Relação: dc.relationCiência da Computação-
Relação: dc.relationCentro de Ciências Exatas-
Relação: dc.relationPrograma de Pós-Graduação em Ciência da Computação-
Palavras-chave: dc.subjectComputação-
Palavras-chave: dc.subjectMeta-aprendizado-
Palavras-chave: dc.subjectAprendizado ativo-
Palavras-chave: dc.subjectClassificação de streams-
Palavras-chave: dc.subjectAjuste dinâmico-
Palavras-chave: dc.subjectComputer science-
Palavras-chave: dc.subjectMeta-learning-
Palavras-chave: dc.subjectActive learning-
Palavras-chave: dc.subjectStream classification-
Palavras-chave: dc.subjectDynamic tuning-
Título: dc.titleMeta-learning for active learning tuning on stream classification-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional da UEL - RIUEL

Não existem arquivos associados a este item.