Meta-learning for active learning tuning on stream classification

• Ano de defesa: 2024
• Autor(a) principal: Martins, Vinicius Eiji
• Orientador(a): Barbon Junior, Sylvio [Orientador]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Computação; Meta-aprendizado; Aprendizado ativo; Classificação de streams; Ajuste dinâmico; Computer science; Meta-learning; Active learning; Stream classification; Dynamic tuning
• Link de acesso: https://repositorio.uel.br/handle/123456789/13984

Resumo: Aprendizado de Máquina Supervisionado exige o conhecimento de todos os rótulos dos dados a serem utilizados para se treinar um modelo Enquanto isso é factível em situ ações onde os dados são estáticos, em situações de dados contínuos, ou streaming, isso se torna inviável Não só pela quantidade potencialmente infinita de dados, como também a velocidade exigida do modelo para que não se crie um atraso muito grande Aprendizado Ativo (Active Learning) já resolveu uma porção considerável desse problema, diminuindo drasticamente o número de rótulos necessários para treinar um modelo enquanto se man tém uma performance competitiva Essa técnica porém ainda apresenta seus desafios, um deles é o ajuste necessário da técnica com base na tarefa a ser realizada e a possibilidade de que os conceitos e comportamentos dos dados sendo analisados mudem, exigindo uma atualização não só do modelo sendo treinado, como também dos parâmetros de apren dizado ativo ajustados Levando isso em conta, este trabalho busca reduzir esse problema com o uso de Meta-aprendizado Utilizamos Aprendizado Ativo com amostragem baseada em streaming utilizando uma métrica de incerteza para decidir a necessidade de rotulação Esta métrica é comparada com um valor de limiar chamado ?? Com meta-aprendizado podemos decidir o valor de ?? dinamicamente e automaticamente, promovendo a adapt abilidade do modelo quanto a mudança de conceitos e eliminando o passo inicial de decidir qual valor de ?? é mais propício para a tarefa a ser realizada Nossos experimentos demon straram uma redução na quantidade de rótulos necessários para o treinamento (média de 555%) com uma acurácia similar ao uso de Very Fast Decision Tree (VFDT) sob diferentes situações de mudança de conceitos em streams