Learning data-aware declarative models from provenance data

Detalhes bibliográficos
Ano de defesa: 2015
Autor(a) principal: Silva, Mateus Ferreira
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
CIÊNCIAS EXATAS E DA TERRA
CIÊNCIA DA COMPUTAÇÃO
Data-aware
Declarative model
Provenance data
Scientific workflow
Modelo declarativo
Dados de proveniência
Workflow científico
Link de acesso: http://hdl.handle.net/unirio/11793
Resumo: Dissertação também disponível em formato impresso, com o número de chamada CCET MI 2015/13.
id UNIRIO_9bef3d02c8e874cd36079d778ad8f66b
oai_identifier_str oai:localhost:unirio/11793
network_acronym_str UNIRIO
network_name_str Repositório Hórus
repository_id_str
spelling Learning data-aware declarative models from provenance dataCIÊNCIAS EXATAS E DA TERRACIÊNCIA DA COMPUTAÇÃOData-awareDeclarative modelProvenance dataScientific workflowData-awareModelo declarativoDados de proveniênciaWorkflow científicoDissertação também disponível em formato impresso, com o número de chamada CCET MI 2015/13.n/aData provenance represents a collection of metadata on the origin and history of data. In scientific workflows, this metadata is essential for operational support of scientific experiments. The amount of provenance data generated from scientific workflow executions grows exponentially through time, becoming infeasible for scientists to manually analyze its content. Thus, mechanisms for extracting and modeling the knowledge implicit in provenance data are demanding. Due to the diversity and flexibility inherent to scientific experimentation scenarios, declarative models are potentially adequate for the task. However, they typically do not consider data attributes, which would enrich its embedded knowledge with relevant information such as parameter values used in each workflow instance. A classification model may fill this gap. This work proposes an approach to automatically learn both declarative and a classification models from provenance data, and combine them into a unique view. This proposed approach was evaluated on two real scientific experiments scenarios on the domain of text mining and of Evapotranspiration estimation.n/aA proveniência de dados representa uma coleção de metadados sobre a origem e histórico dos dados. Em workflows científicos, este metadados é essencial para o apoio operacional de experimentos científicos. A quantidade de dados de proveniência gerados a partir de execuções de workflows científicos cresce exponencialmente ao longo do tempo, tornando-se inviável para os cientistas analisar manualmente o seu conteúdo. Assim, mecanismos para extrair e modelar o conhecimento implícito nos dados de proveniência são demandados. Devido à diversidade e flexibilidade inerente aos cenários de experimentação científica, modelos declarativos são potencialmente adequados para esta tarefa. Entretanto, eles tipicamente não consideram atributos de dados, o que poderia enriquecer seu conhecimento incorporado com informações relevantes, tais como os valores dos parâmetros utilizados em cada instância do workflow. Um modelo de classificação pode preencher esta lacuna. Este trabalho propõe uma abordagem para aprender automaticamente tanto modelos declarativos e de classificação a partir de dados de proveniência, e combiná-los em uma única visão. Esta abordagem proposta foi avaliada em dois cenários reais experimentos científicos no domínio de mineração de texto e de estimativa da evapotranspiração.Amorim, Fernanda Araujo BaiãoRevoredo, Kate CerqueiraAmorim, Fernanda Araujo BaiãoRevoredo, Kate CerqueiraSantoro, Flávia MariaOliveira, Daniel Cardoso Moraes deSilva, Mateus Ferreira2018-06-25T20:20:59Z2018-06-25T20:20:59Z2015-09-24info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisSILVA, Mateus Ferreira. Learning data-aware declarative models from provenance data. 2015. 62 f. Dissertação (Mestrado em Informática) - Universidade Federal do Estado do Rio de Janeiro, Rio de Janeiro, 2015.http://hdl.handle.net/unirio/11793info:eu-repo/semantics/openAccessengreponame:Repositório Hórusinstname:Universidade Federal do Estado do Rio de Janeiro (UNIRIO)instacron:UNIRIO2018-06-25T20:20:59Zoai:localhost:unirio/11793Repositório InstitucionalPUBhttp://www.repositorio-bc.unirio.br:8080/oai/requestbiblioteca.sid@unirio.bropendoar:2024-12-06T17:58:01.488218Repositório Hórus - Universidade Federal do Estado do Rio de Janeiro (UNIRIO)false
dc.title.none.fl_str_mv Learning data-aware declarative models from provenance data
title Learning data-aware declarative models from provenance data
spellingShingle Learning data-aware declarative models from provenance data
Silva, Mateus Ferreira
CIÊNCIAS EXATAS E DA TERRA
CIÊNCIA DA COMPUTAÇÃO
Data-aware
Declarative model
Provenance data
Scientific workflow
Data-aware
Modelo declarativo
Dados de proveniência
Workflow científico
title_short Learning data-aware declarative models from provenance data
title_full Learning data-aware declarative models from provenance data
title_fullStr Learning data-aware declarative models from provenance data
title_full_unstemmed Learning data-aware declarative models from provenance data
title_sort Learning data-aware declarative models from provenance data
author Silva, Mateus Ferreira
author_facet Silva, Mateus Ferreira
author_role author
dc.contributor.none.fl_str_mv Amorim, Fernanda Araujo Baião
Revoredo, Kate Cerqueira
Amorim, Fernanda Araujo Baião
Revoredo, Kate Cerqueira
Santoro, Flávia Maria
Oliveira, Daniel Cardoso Moraes de
dc.contributor.author.fl_str_mv Silva, Mateus Ferreira
dc.subject.por.fl_str_mv CIÊNCIAS EXATAS E DA TERRA
CIÊNCIA DA COMPUTAÇÃO
Data-aware
Declarative model
Provenance data
Scientific workflow
Data-aware
Modelo declarativo
Dados de proveniência
Workflow científico
topic CIÊNCIAS EXATAS E DA TERRA
CIÊNCIA DA COMPUTAÇÃO
Data-aware
Declarative model
Provenance data
Scientific workflow
Data-aware
Modelo declarativo
Dados de proveniência
Workflow científico
description Dissertação também disponível em formato impresso, com o número de chamada CCET MI 2015/13.
publishDate 2015
dc.date.none.fl_str_mv 2015-09-24
2018-06-25T20:20:59Z
2018-06-25T20:20:59Z
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 SILVA, Mateus Ferreira. Learning data-aware declarative models from provenance data. 2015. 62 f. Dissertação (Mestrado em Informática) - Universidade Federal do Estado do Rio de Janeiro, Rio de Janeiro, 2015.
http://hdl.handle.net/unirio/11793
identifier_str_mv SILVA, Mateus Ferreira. Learning data-aware declarative models from provenance data. 2015. 62 f. Dissertação (Mestrado em Informática) - Universidade Federal do Estado do Rio de Janeiro, Rio de Janeiro, 2015.
url http://hdl.handle.net/unirio/11793
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Hórus
instname:Universidade Federal do Estado do Rio de Janeiro (UNIRIO)
instacron:UNIRIO
instname_str Universidade Federal do Estado do Rio de Janeiro (UNIRIO)
instacron_str UNIRIO
institution UNIRIO
reponame_str Repositório Hórus
collection Repositório Hórus
repository.name.fl_str_mv Repositório Hórus - Universidade Federal do Estado do Rio de Janeiro (UNIRIO)
repository.mail.fl_str_mv biblioteca.sid@unirio.br
_version_ 1817726467688103936

Registros relacionados