Banca de QUALIFICAÇÃO: KARLIANE MEDEIROS OVIDIO VALE

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE : KARLIANE MEDEIROS OVIDIO VALE
DATA : 07/12/2018
HORA: 09:30
LOCAL: Auditorio I - DIMAp
TÍTULO:

Uma Proposta de Flexibilização do Limiar de Inclusão de Novas Instâncias Não Rotuladas no Algoritmo de Aprendizado Self-Training


PALAVRAS-CHAVES:

Aprendizado de máquina, Aprendizado semissupervisionado, Self-Training


PÁGINAS: 95
RESUMO:

Aprendizado de máquina é uma área da inteligência articial que se dedica ao estudo e
desenvolvimento de técnicas computacionais que adquirem conhecimento através de experi
ências acumuladas. De acordo com o tipo de informação fornecida, o aprendizado
de máquina pode ser dividido em dois tipos: supervisionado e não supervisionado. No
primeiro, os dados utilizados no treinamento possuem rótulos conhecidos, enquanto no
segundo nenhuma instância a ser treinada possui rótulo. Com o passar dos anos a comunidade
acadêmica passou a estudar um terceiro tipo de aprendizado que é considerado o
meio termo entre o supervisionado e o não supervisionado e é conhecido como aprendizado
semissupervisionado. Neste tipo de aprendizado a maioria dos rótulos do conjunto
de treinamento são desconhecidos, mas há uma pequena parcela que possuí rótulo. O
aprendizado semissupervisionado é atraente devido ao seu potencial de utilização de dados
rotulados e não rotulados para alcançar melhor desempenho do que o aprendizado
supervisionado. Este trabalho consiste em um estudo no campo da aprendizagem semissupervisionada
e implementa mudanças no algoritmo self-training para propor uma variação
na taxa de inclusão de novas instâncias no conjunto de dados rotulados. Para atingir este
objetivo, vários métodos são propostos. As principais diferenças entre estes métodos são:
1) a forma como eles realizam o cálculo do novo valor da taxa de conança mínima para
inclusão de novas instâncias; 2) a estratégia utilizada na escolha do rótulo de cada instância.
Para avaliar os métodos propostos, serão realizados experimentos com 20 conjuntos de
dados com características diversicadas. Resultados preliminares indicam que os três mé-
todos propostos (FlexCon-G , FlexCon e FlexCon-C ) e suas versões apresentam melhor
desempenho que o método self-training na maioria dos casos.


MEMBROS DA BANCA:
Presidente - 1350250 - ANNE MAGALY DE PAULA CANUTO
Interno - 2177445 - BRUNO MOTTA DE CARVALHO
Externo ao Programa - 1669545 - DANIEL SABINO AMORIM DE ARAUJO
Externo à Instituição - ARAKEN DE MEDEIROS SANTOS - UFERSA
Notícia cadastrada em: 04/12/2018 12:12
SIGAA | Superintendência de Informática - (84) 3215-3148 | Copyright © 2006-2019 - UFRN - sigaa05-producao.info.ufrn.br.sigaa05-producao