Transduction based approaches for dataset shift problems

• Ano de defesa: 2019
• Autor(a) principal: Carla Caldeira Takahashi
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Minas Gerais; Brasil; ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA; Programa de Pós-Graduação em Engenharia Elétrica; UFMG
• Palavras-chave em Português: Engenharia elétrica; Teoria dos grafos; Aprendizado de computador
• Link de acesso: http://hdl.handle.net/1843/32573

O problema do Dataset Drift ocorre em toda e qualquer área que utilize dados para criar ou ajustar modelos. É chamado de drift o fenômeno que faz com que haja alguma diferença entre os dados de treinamento e os de teste, além de se manisfestar em qualquer momento no ambiente de aplicação real do modelo. Nesse contexto são sugeridas abordagens utilizando aprendizado transdutivo para lidar com o Dataset Drift. Duas estratégias foram definidas e apresentam resultados satisfatórios com algumas limitações. A primeira é baseada em uma Abordagem Essencialmente Transdutiva que utiliza um algoritmo genético para a otimização da entropia dos dados. A outra é uma estratégia orientada a problemas espaciais bidimensionais, baseada em Grafos de Gabriel para a estimação de Modelos de Mistura Gaussiana. No entanto, a análise da qualidade dos modelos perante a presença do drift ainda não é realizada de forma sistemática, dessa forma os experimentos foram feitos com estudos de caso.