Um estudo sobre a influência de métodos imparciais de análise de componentes principais em problemas de classificação
Ano de defesa: | 2021 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
[s.n.]
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: | |
Link de acesso: | https://hdl.handle.net/20.500.12733/1766 |
Resumo: | Orientadores: Leonardo Tomazeli Duarte, Guilherme Dean Pelegrina |
id |
UNICAMP-30_a51bf7d9e3d05e92b261145baf94781d |
---|---|
oai_identifier_str |
oai::1234076 |
network_acronym_str |
UNICAMP-30 |
network_name_str |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
repository_id_str |
|
spelling |
Um estudo sobre a influência de métodos imparciais de análise de componentes principais em problemas de classificaçãoA study on the influence of fair principle component analysis methods on classification problemsAprendizado de máquinaEquidade (Aprendizado de máquina)Análise de componentes principaisMachine learningFairness (Machine learning)Principal component analysisOrientadores: Leonardo Tomazeli Duarte, Guilherme Dean PelegrinaDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Ciências AplicadasResumo: Recentemente, um novo tema de estudo em inteligência artificial, chamado \textit{fairness}(equidade), deu início às discussões sobre os possíveis efeitos negativos e riscos associados à aplicação de modelos de aprendizado de máquina em tarefas do cotidiano. O tema equidade abrange diversas soluções e melhorias para os procedimentos envolvidos na elaboração de modelos de aprendizado de máquina, incluindo as etapas de pré-processamento, treinamento e pós-processamento. Em particular, o presente trabalho tem como foco o uso de métodos baseados na análise de componentes principais (\textit{principal component analysis} ou PCA), uma ferramenta muita utilizada na etapa de pré-processamento para fins de redução de dimensionalidade. Deseja-se investigar se a aplicação de um método equitável de PCA na etapa de pré-processamento de dados pode também trazer melhorias, em termos de equidade, em uma tarefa de classificação. O estudo se estrutura por um conjunto de experimentos numéricos, nos quais o objetivo principal é verificar como métricas de desempenho de um classificador, bem como métricas que vêm sendo usados no contexto de equidade, se comportam na presença das variações equânimes de PCA. Os resultados deste estudo sugerem haver pouca relação direta entre equidade na etapa de redução de dimensionalidade e equidade na etapa de classificaçãoAbstract: Recently, a new topic of study in artificial intelligence, called fairness, started discussions about the possible negative effects and risks associated with the application of machine learning models in everyday tasks. The fairness theme encompasses several solutions and improvements for the procedures involved in the elaboration of machine learning models, including the pre-processing, training and post-processing steps. This study focuses on the use of methods based on principal component analysis (PCA), which is a tool widely used in the pre-processing step for purposes of dimensionality reduction. The main goal is to investigate whether the application of a Fair PCA method in the data pre-processing step can also bring improvements, in terms of fairness, in a classification task. The study is structured by a set of numerical experiments, which verify how performance metrics of a classifier, as well as metrics that have been used in the context of fairness, behave in the presence of fair variations of PCA. The results of this study suggest that there is little direct relationship between fairness in the dimensionality reduction step and fairness in the classification stepMestradoPesquisa Operacional e Gestão de ProcessosMestre em Engenharia de Produção e de ManufaturaFuncamp[s.n.]Duarte, Leonardo Tomazeli, 1982-Pelegrina, Guilherme Dean, 1989-Attux, Romis Ribeiro de FaissolVicentin, DiegoUniversidade Estadual de Campinas. Faculdade de Ciências AplicadasPrograma de Pós-Graduação em Engenharia de Produção e de ManufaturaUNIVERSIDADE ESTADUAL DE CAMPINASYamada, Felipe Tetsuo, 1991-20212021-09-30T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (79 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1766YAMADA, Felipe Tetsuo. Um estudo sobre a influência de métodos imparciais de análise de componentes principais em problemas de classificação. 2021. 1 recurso online (79 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Ciências Aplicadas, Limeira, SP. Disponível em: https://hdl.handle.net/20.500.12733/1766. Acesso em: 26 abr. 2024.https://repositorio.unicamp.br/acervo/detalhe/1234076Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2021-12-06T16:39:12Zoai::1234076Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2021-12-06T16:39:12Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false |
dc.title.none.fl_str_mv |
Um estudo sobre a influência de métodos imparciais de análise de componentes principais em problemas de classificação A study on the influence of fair principle component analysis methods on classification problems |
title |
Um estudo sobre a influência de métodos imparciais de análise de componentes principais em problemas de classificação |
spellingShingle |
Um estudo sobre a influência de métodos imparciais de análise de componentes principais em problemas de classificação Yamada, Felipe Tetsuo, 1991- Aprendizado de máquina Equidade (Aprendizado de máquina) Análise de componentes principais Machine learning Fairness (Machine learning) Principal component analysis |
title_short |
Um estudo sobre a influência de métodos imparciais de análise de componentes principais em problemas de classificação |
title_full |
Um estudo sobre a influência de métodos imparciais de análise de componentes principais em problemas de classificação |
title_fullStr |
Um estudo sobre a influência de métodos imparciais de análise de componentes principais em problemas de classificação |
title_full_unstemmed |
Um estudo sobre a influência de métodos imparciais de análise de componentes principais em problemas de classificação |
title_sort |
Um estudo sobre a influência de métodos imparciais de análise de componentes principais em problemas de classificação |
author |
Yamada, Felipe Tetsuo, 1991- |
author_facet |
Yamada, Felipe Tetsuo, 1991- |
author_role |
author |
dc.contributor.none.fl_str_mv |
Duarte, Leonardo Tomazeli, 1982- Pelegrina, Guilherme Dean, 1989- Attux, Romis Ribeiro de Faissol Vicentin, Diego Universidade Estadual de Campinas. Faculdade de Ciências Aplicadas Programa de Pós-Graduação em Engenharia de Produção e de Manufatura UNIVERSIDADE ESTADUAL DE CAMPINAS |
dc.contributor.author.fl_str_mv |
Yamada, Felipe Tetsuo, 1991- |
dc.subject.por.fl_str_mv |
Aprendizado de máquina Equidade (Aprendizado de máquina) Análise de componentes principais Machine learning Fairness (Machine learning) Principal component analysis |
topic |
Aprendizado de máquina Equidade (Aprendizado de máquina) Análise de componentes principais Machine learning Fairness (Machine learning) Principal component analysis |
description |
Orientadores: Leonardo Tomazeli Duarte, Guilherme Dean Pelegrina |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021 2021-09-30T00:00:00Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/20.500.12733/1766 YAMADA, Felipe Tetsuo. Um estudo sobre a influência de métodos imparciais de análise de componentes principais em problemas de classificação. 2021. 1 recurso online (79 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Ciências Aplicadas, Limeira, SP. Disponível em: https://hdl.handle.net/20.500.12733/1766. Acesso em: 26 abr. 2024. |
url |
https://hdl.handle.net/20.500.12733/1766 |
identifier_str_mv |
YAMADA, Felipe Tetsuo. Um estudo sobre a influência de métodos imparciais de análise de componentes principais em problemas de classificação. 2021. 1 recurso online (79 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Ciências Aplicadas, Limeira, SP. Disponível em: https://hdl.handle.net/20.500.12733/1766. Acesso em: 26 abr. 2024. |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
https://repositorio.unicamp.br/acervo/detalhe/1234076 Requisitos do sistema: Software para leitura de arquivo em PDF |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf 1 recurso online (79 p.) : il., digital, arquivo PDF. |
dc.publisher.none.fl_str_mv |
[s.n.] |
publisher.none.fl_str_mv |
[s.n.] |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) instname:Universidade Estadual de Campinas (UNICAMP) instacron:UNICAMP |
instname_str |
Universidade Estadual de Campinas (UNICAMP) |
instacron_str |
UNICAMP |
institution |
UNICAMP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
collection |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP) |
repository.mail.fl_str_mv |
sbubd@unicamp.br |
_version_ |
1797405539365289984 |