Events Events

Back

Pós em Computação promove defesa de dissertação de mestrado na tarde desta sexta-feira (26)

Trabalho é de autoria de Karina Liseth Ponce Guevara

O Programa de Pós-Graduação em Ciência da Computação da UFPE promove defesa de dissertação de mestrado de Karina Liseth Ponce Guevara nesta sexta-feira (26), a partir das 14h. A apresentação acontecerá de forma remota, através da plataforma Google Meet, e os interessados em assistir devem enviar e-mail solicitando acesso para o aluno. É recomendado aos que se entre na “sala virtual” com o microfone e câmera desligados.

Com título “Mapas Auto-organizáveis para Agrupamento em Subespaços e seu Refinamento”, o trabalho contou com a orientação do professor Aluizio Fausto Ribeiro Araújo, vinculado ao Centro de Informática (CIn) da universidade. A banca avaliadora contará com a participação dos professores Hansenclever de França Bassani (UFPE/CIn), Ricardo Araújo Rios (UFBA/Departamento de Ciência da Computação) e Joel Luis Carbonera (UFRGS/Instituto de Informática).

Resumo

O agrupamento em subespaços é uma área da aprendizagem de máquina que consiste em localizar grupos (clusters) em diferentes subespaços. Parte da contribuição deste trabalho é apresentar uma taxonomia de algoritmos de agrupamento em subespaços, com uma nova organização baseada em famílias: Estatístico-Algébricas, Atribuição de Pesos, Representações de Baixo Posto, Métodos Esparsos, Métodos Espectrais e Redes Neurais. Neste trabalho, também é realizada uma revalidação dos algoritmos LARFDSSOM e LARFDSSOM2. Eles são métodos de agrupamento em subespaços baseados em mapas auto-organizáveis com uma estrutura variável no tempo, para agrupar dados sem conhecimento prévio do número de categorias ou da topologia da rede neural, ambos são determinados durante o processo de treinamento. Estes algoritmos apresentam um desempenho competitivo em uma ampla gama de contextos como: mineração de dados, expressão gênica, múltiplas vistas, visão computacional e agrupamento de texto, estes experimentos incluem dados de alta dimensão. Os resultados apresentam um desempenho promissor, mesmo assim, eles podem ser melhorados em uma segunda etapa de processamento. No agrupamento, nem todas as amostras atribuídas a um grupo se encaixam igualmente bem. Nesse sentido, a proposta deste trabalho é utilizar uma abordagem de refinamento Bayesiano para melhorar os resultados preliminares. Consequentemente, pretende-se produzir um primeiro resultado de agrupamento e em seguida refina-lo por interações subsequentes, levando o modelo a aprender com as probabilidades em suas distribuições nos grupos. Também foi empregado um método de Inferência Variacional para os conjuntos de dados com uma grande quantidade de amostras, devido a que o cálculo da distribuição posteriori dificulta-se devido a que não é possível calculá-lo diretamente pelo custo computacional.  Em particular, foi observado que o agrupamento pode ser melhorado com uma segunda etapa, e os resultados mostram o bom desempenho do algoritmo de refinamento.

Mais informações
Programa de Pós-Graduação em Ciência da Computação da UFPE
(81) 2126.8430

contato@cin.ufpe.br 

Date of last modification: 23/02/2021, 16:50