Binary quantification in non-stationary scenarios (2019)
- Authors:
- Autor USP: MALETZKE, ANDRé GUSTAVO - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- Subjects: APRENDIZADO COMPUTACIONAL; POPULAÇÃO; MOSQUITOS; MINERAÇÃO DE DADOS
- Keywords: Armadilhas de mosquito; Concept drift; Contagem; Counting; Machine learning; Mixture models; Modelos de mistura; Mosquito traps; Mudança de conceito
- Agências de fomento:
- Language: Inglês
- Abstract: Quantificação é uma tarefa de Aprendizado de Máquina semelhante à classificação, na qual o aprendizado é realizado a partir de um conjunto de treinamento com dados rotulados. Entretanto, a quantificação não está interessada em prever a classe de cada observação, mas em medir a representatividade de cada classe no conjunto de teste. A diferença sutil entre classificação e quantificação requer algoritmos específicos, medidas de desempenho e projetos experimentais diferentes. Além disso, a maioria dos algoritmos de quantificação existentes foi desenvolvida para cenários bem controlados que se baseiam no pressuposto de que a única mudança entre dados de treinamento e teste está na probabilidade a priori das classes. Esta tese concentra-se em fornecer melhorias nos algoritmos de quantificação, bem como no design experimental, incluindo suposições mais realistas. Especificamente, as principais contribuições desta tese são: (i) o primeiro algoritmo para quantificar dados não estacionários sob a presença de mudança de conceito; (ii) um detector de mudança de conceito não-supervisionado e insensível ao desbalanceamento de classe; (iii) um framework baseado em modelos de mistura juntamente com um extensivo estudo experimental, redefinindo a parametrização desse tipo de método; (iv) estudo sobre como o tamanho do batch altera o ranking dos algoritmos de quantificação e, consequenmente, a proposta de um framework baseado em meta-aprendizado para selecionar dinamicamente o melhorquantificador; (v) uma análise descritiva do impacto da variabilidade na qualidade dos scores sobre quantificadores existentes e, como resposta, a essa influência foi proposto um novo algoritmo que quantifica com precisão sob cenários de mudanças na qualidade dos scores, e; (vi) a aplicabilidade das propostas em um problema do mundo real, bem como os esforços para desenvolver um novo mecanismo de captura e contagem populacional de mosquitos.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2019
- Data da defesa: 18.12.2019
-
ABNT
MALETZKE, André Gustavo. Binary quantification in non-stationary scenarios. 2019. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2019. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-19032020-091709/. Acesso em: 19 set. 2024. -
APA
Maletzke, A. G. (2019). Binary quantification in non-stationary scenarios (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-19032020-091709/ -
NLM
Maletzke AG. Binary quantification in non-stationary scenarios [Internet]. 2019 ;[citado 2024 set. 19 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-19032020-091709/ -
Vancouver
Maletzke AG. Binary quantification in non-stationary scenarios [Internet]. 2019 ;[citado 2024 set. 19 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-19032020-091709/ - Uma metodologia para extração de conhecimento em séries temporais por meio da identificação de motifs e da extração de características
- Challenges in benchmarking stream learning algorithms with real-world data
- Accurately quantifying a billion instances per second
- Automatic insect recognition with optical sensors with variability of temperature and humidity
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas