Regressão baseada em re-ranqueamento
| Ano de defesa: | 2024 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Tese |
| 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/20.500.12733/25670 |
Resumo: | Orientadores: Ricardo da Silva Torres, Daniel Carlos Guimarães Pedronette |
| id |
UNICAMP-30_f9c069add60a9efb8545e9e66db2b0ae |
|---|---|
| oai_identifier_str |
oai::1412466 |
| network_acronym_str |
UNICAMP-30 |
| network_name_str |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
| repository_id_str |
|
| spelling |
Regressão baseada em re-ranqueamentoRegression based on re-rankingAnálise de regressãoRe-ranqueamentoFusão de dados (Computação)Aprendizagem não-supervisionada (Aprendizado de máquina)Aprendizado de máquinaRegression analysisRe-rankingData fusion (Computer science)Unsupervised learning (Machine learning)Machine learningOrientadores: Ricardo da Silva Torres, Daniel Carlos Guimarães PedronetteTese (doutorado) - Universidade Estadual de Campinas (UNICAMP), Instituto de ComputaçãoResumo: Diversas abordagens baseadas em regressão foram desenvolvidas nos últimos anos com o intuito de aperfeiçoar os resultados de predições, incluindo o uso de estratégias de ranque- amento. Algoritmos de ranqueamento são baseados principalmente no cálculo de funções de distância que comparam pares de pontos em um espaço de características de alta dimensão. No entanto, a análise aos pares falha muitas vezes ao considerar relações de similaridades mais globais. Uma linha de pesquisa promissora reflete o uso de abordagens não supervisionadas de re-ranqueamento, cujo objetivo principal é melhorar a eficácia dos ranques analisados. Tais métodos visam explorar informações codificadas sobre a estrutura intrínseca ao conjunto de dados. Os métodos de re-ranqueamento redefinem as distâncias entre os elementos de um conjunto de dados, levando a ranques mais eficazes, em que objetos relevantes são alocados nas primeiras posições. Métodos de re-ranqueamento são amplamente explorados e empregados com sucesso em diversas aplicações, aperfeiçoando os ranques através da codificação da estrutura dos dados e redefinindo distâncias entre os elementos de um conjunto. Geralmente implementados como procedimentos iterativos, os métodos de re-ranqueamento redefinem as distâncias entre objetos, levando a ranques mais eficazes, em que objetos mais relevantes são alocados nas primeiras posições. Apesar de resultados promissores observados, algoritmos de re-ranqueamento ainda não foram avaliados em tarefas de regressão. Esta tese introduz duas novas contribuições com o intuito de explorar métodos de re-ranqueamento para regressão, e tem como objetivo principal diminuir os erros de predição. A primeira contribuição é a proposta de um novo, genérico e personalizável arcabouço intitulado Regressão por Re-ranqueamento (Regression by Re-ranking – RbR). Esta abordagem explora a capacidade de algoritmos de re-ranqueamento em determinar ranques relevantes aplicados a tarefas de predição. O arcabouço RbR é construído sob a combinação de alguns fatores: um regressor base; técnicas de aprendizado não supervisionado de re-ranqueamento; e predições associadas aos vizinhos mais próximos ponderados de acordo com suas posições nos ranques. O RbR foi avaliado sob um protocolo experimental rigoroso incluindo 14 conjuntos de dados e 32 métodos baseados em regressão. O uso do RbR alcançou ganhos significativos (até 79%) quando comparado às abordagens do estado-da-arte. A segunda contribuição deste trabalho baseia-se na proposta de um novo método para a fusão de regressores, denominado Fusão de Regressores (Fusion Regression – FuR) que também explora o contexto de vizinhança. FuR emprega o aprendizado conjunto (ensemble learning) que combina as predições de diferentes regressores. Primeiramente, diferentes regressores são treinados. Em seguida, FuR cria um novo embedding baseado nas predições dos regressores. O objetivo é reestruturar o conjunto de dados e também explorar a visão complementar provida pelos regressores. Esta nova representação dos dados é então utilizada como entrada de métodos de regressão que exploram o contexto de vizinhança. Resultados experimentais envolvendo 10 conjuntos de dados e 15 regressores demonstraram que o FuR pode alcançar ganhos efetivos em tarefas de regressãoAbstract: Several approaches based on regression have been developed in the past few years to improve prediction results, including the use of ranking strategies. Ranking algorithms are mostly based on the direct pairwise comparison of points in a high-dimensional feature space and often rely on distance functions. However, pairwise analysis often fails in considering more global similarity relationships. One promising research venue relies on the use of unsupervised re-ranking approaches to improve the effectiveness of rankings. Those methods aim at exploring information concerning the intrinsic dataset manifold structure. Re-ranking methods redefine the distances among objects, leading to more effective rankings, where relevant objects are ranked at the top positions. Those methods have been exploited and successfully employed in several applications. Despite the promising results, re-ranking has not been evaluated in regressions tasks. This thesis introduces two contributions based on investigating unsupervised re-ranking methods for regression with the main objective of decreasing prediction errors. The first contribution is a novel, generic, and customizable framework entitled Regression by Re-ranking (RbR), which explores the ability of re-ranking algorithms to determine relevant rankings of objects in prediction tasks. The RbR framework combines a base regressor, unsupervised re-ranking learning techniques, and predictions associated with nearest neighbours weighted according to their ranking positions. The RbR framework was evaluated under a rigorous experimental protocol including 14 datasets and 32 methods based on regression. The use of RbR yielded significant gains (up to 79 %) when compared to state-of-the-art approaches. The second contribution of this work relies on the proposal of a new method for the fusion of regressors that also explores the neighbourhood context, named Fusion Regression (FuR). FuR employs an ensemble learning technique that combines the predictions of different regressors. First, different regression methods are trained. Later, FuR creates a new embedding of the dataset structure based on regressors’ predictions. The goal is to rearrange the dataset structure and also explore the complementary view of the regressors. This novel data representation is then used as a dataset input for regression methods that explore neighbourhood context. Experimental results involving 10 datasets and 15 regressors demonstrated that FuR leads to effective gainsAbertoDoutoradoCiência da ComputaçãoDoutor em Ciência da ComputaçãoCAPES001CNPQ140301/2020-8FAPESP2016/23751-0[s.n.]Torres, Ricardo da Silva, 1977-Pedronette, Daniel Carlos Guimarães, 1983-Cámara Chávez, GuillermoGaspar, Henrique MuriloCoelho, Guilherme PalermoCarvalho, Marco Antonio Garcia deUniversidade Estadual de Campinas (UNICAMP). Instituto de ComputaçãoPrograma de Pós-Graduação em Ciência da ComputaçãoUNIVERSIDADE ESTADUAL DE CAMPINASGonçalves, Filipe Marcel Fernandes, 1984-20242024-08-23T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf1 recurso online (131 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/25670GONÇALVES, Filipe Marcel Fernandes. Regressão baseada em re-ranqueamento. 2024. 1 recurso online (131 p.) Tese (doutorado) - Universidade Estadual de Campinas (UNICAMP), Instituto de Computação, Campinas, SP. Disponível em: 20.500.12733/25670. Acesso em: 29 set. 2025.https://repositorio.unicamp.br/acervo/detalhe/1412466https://repositorio.unicamp.br/acervo/detalhe/1412466Cover: https://repositorio.unicamp.br/capa/capa?codigo=1412466porreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2025-07-24T15:32:07Zoai::1412466Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2025-07-24T15:32:07Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false |
| dc.title.none.fl_str_mv |
Regressão baseada em re-ranqueamento Regression based on re-ranking |
| title |
Regressão baseada em re-ranqueamento |
| spellingShingle |
Regressão baseada em re-ranqueamento Gonçalves, Filipe Marcel Fernandes, 1984- Análise de regressão Re-ranqueamento Fusão de dados (Computação) Aprendizagem não-supervisionada (Aprendizado de máquina) Aprendizado de máquina Regression analysis Re-ranking Data fusion (Computer science) Unsupervised learning (Machine learning) Machine learning |
| title_short |
Regressão baseada em re-ranqueamento |
| title_full |
Regressão baseada em re-ranqueamento |
| title_fullStr |
Regressão baseada em re-ranqueamento |
| title_full_unstemmed |
Regressão baseada em re-ranqueamento |
| title_sort |
Regressão baseada em re-ranqueamento |
| author |
Gonçalves, Filipe Marcel Fernandes, 1984- |
| author_facet |
Gonçalves, Filipe Marcel Fernandes, 1984- |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Torres, Ricardo da Silva, 1977- Pedronette, Daniel Carlos Guimarães, 1983- Cámara Chávez, Guillermo Gaspar, Henrique Murilo Coelho, Guilherme Palermo Carvalho, Marco Antonio Garcia de Universidade Estadual de Campinas (UNICAMP). Instituto de Computação Programa de Pós-Graduação em Ciência da Computação UNIVERSIDADE ESTADUAL DE CAMPINAS |
| dc.contributor.author.fl_str_mv |
Gonçalves, Filipe Marcel Fernandes, 1984- |
| dc.subject.por.fl_str_mv |
Análise de regressão Re-ranqueamento Fusão de dados (Computação) Aprendizagem não-supervisionada (Aprendizado de máquina) Aprendizado de máquina Regression analysis Re-ranking Data fusion (Computer science) Unsupervised learning (Machine learning) Machine learning |
| topic |
Análise de regressão Re-ranqueamento Fusão de dados (Computação) Aprendizagem não-supervisionada (Aprendizado de máquina) Aprendizado de máquina Regression analysis Re-ranking Data fusion (Computer science) Unsupervised learning (Machine learning) Machine learning |
| description |
Orientadores: Ricardo da Silva Torres, Daniel Carlos Guimarães Pedronette |
| publishDate |
2024 |
| dc.date.none.fl_str_mv |
2024 2024-08-23T00:00:00Z |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
| format |
doctoralThesis |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/20.500.12733/25670 GONÇALVES, Filipe Marcel Fernandes. Regressão baseada em re-ranqueamento. 2024. 1 recurso online (131 p.) Tese (doutorado) - Universidade Estadual de Campinas (UNICAMP), Instituto de Computação, Campinas, SP. Disponível em: 20.500.12733/25670. Acesso em: 29 set. 2025. |
| url |
https://hdl.handle.net/20.500.12733/25670 |
| identifier_str_mv |
GONÇALVES, Filipe Marcel Fernandes. Regressão baseada em re-ranqueamento. 2024. 1 recurso online (131 p.) Tese (doutorado) - Universidade Estadual de Campinas (UNICAMP), Instituto de Computação, Campinas, SP. Disponível em: 20.500.12733/25670. Acesso em: 29 set. 2025. |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.relation.none.fl_str_mv |
https://repositorio.unicamp.br/acervo/detalhe/1412466 https://repositorio.unicamp.br/acervo/detalhe/1412466 Cover: https://repositorio.unicamp.br/capa/capa?codigo=1412466 |
| 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 (131 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_ |
1844628722429198336 |