Banca de DEFESA: Fernanda Amaral Melo

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : Fernanda Amaral Melo
DATA : 21/09/2023
HORA: 14:00
LOCAL: https://teams.microsoft.com/l/meetup-join/19%3ameeting_MWE3MTNiNTQtMTIwNS00MjIzLWFkZGItODEyNGU1ZDY1N
TÍTULO:

Predição de desempenho de modelos: Uma abordagem de Meta-Aprendizado para detecção de mudança de conceito

PALAVRAS-CHAVES:

Mudança de conceito, Meta Aprendizado, Monitoramento de modelos, Aprendizado de Máquina

PÁGINAS: 80
RESUMO:

O avanço tecnológico na geração e transmissão de dados potencializou a existência de muitas aplicações de fluxos de dados, estes ambientes altamente dinâmicos frequentemente acompanham o problema de mudança de conceito, situação em que as propriedades estatísticas das variáveis se altera ao longo do tempo acarretando na perda de performance de modelos de Aprendizado de Máquina. Este trabalho apresenta uma nova ferramenta para detecção de mudança de conceito por meio do uso de Meta Aprendizado em problemas de fluxo de dados que contenham atraso grande na chegada da variável alvo. Optou-se por utilizar o Meta Aprendizado por se tratar de uma técnica robusta e adaptada para problemas de fluxo de dados, no entanto, em oposição à sua abordagem tradicional de recomendação de algoritmos, fez-se uso de um regressor no nível meta que prevê a cada janela o desempenho do modelo base. Esta predição é então utilizada na geração de alertas de mudança de conceito antes da chegada da variável alvo. O treinamento do meta modelo foi feito com o uso de diversos meta atributos não supervisionados da literatura de Meta Aprendizado, além disso, foram adicionadas medidas não supervisionadas de detecção de mudança de conceito como parte dos atributos como forma de aumentar a capacidade preditiva do modelo gerado. O algoritmo foi aplicado em bases de dados usuais da literatura de fluxo de dados e o desempenho no nível meta é avaliado por meio do ganho acumulado do Erro Quadrático Médio com relação ao algoritmo original de Meta Aprendizado e à baseline, medida a partir da última janela com desempenho conhecido. Por fim, a importância das variáveis para o meta regressor é analisada para entender a contribuição dos novos meta atributos propostos nesta pesquisa. Resultados preliminares mostram que o algoritmo proposto gera, em média, uma redução de 12.8% no erro com relação ao Meta Aprendizado tradicional e de 38% com relação à baseline na predição de desempenho do modelo base. Espera-se, com os próximos passos, efetuar a criação do alerta de mudança de conceito baseado nas predições do meta modelo e comparar a técnica proposta com as métricas existentes de mudança de conceito em bases de dados que possuam mudança de conceito rotulada.

MEMBROS DA BANCA:
Externo à Instituição - ANDRE CARLOS PONCE DE LEON FERREIRA DE CARVALHO - USP
Interno - 3085005 - GERALDO PEREIRA ROCHA FILHO
Presidente - 3128249 - LUIS PAULO FAINA GARCIA
Interno - 1279829 - VINICIUS RUELA PEREIRA BORGES