RDFM: algoritmo de máquinas de fatoração distribuído e resiliente

Detalhes bibliográficos
Autor(a) principal: Silva, André Rodrigo da
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/211532
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2019.
id UFSC_28b7a0a72365e3ce8862d3bf387c728a
oai_identifier_str oai:repositorio.ufsc.br:123456789/211532
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Universidade Federal de Santa CatarinaSilva, André Rodrigo daRech, Luciana de Oliveira2020-08-20T05:42:12Z2020-08-20T05:42:12Z2019369003https://repositorio.ufsc.br/handle/123456789/211532Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2019.Inicialmente aplicados em tarefas de recomendação, algoritmos de Máquinas de Fatora- ção têm sido amplamente utilizados, tanto como classificadores, quanto como regressores. Nos últimos anos as Máquinas de Fatoração se provaram escaláveis para aprendizagem com Big Data, abordagens distribuídas e paralelas se popularizaram devido a escalabili- dade do algoritmo, contribuiu também a esta popularização a aprendizagem de modelos eficientes em domínios onde os dados apresentam problemas como esparsidade, alta di- mensionalidade, variáveis heterogêneas (tanto categóricas quanto contínuas), e até mesmo características irregularmente observadas. evitam problemas recorrentes de técnicas ante- riores, como o Cold-Start. A utilização de Máquinas de Fatoração Distribuídas comumente supõe ambientes continuamente seguros, enquanto que em cenários realistas podem ocor- rer erros arbitrários, ataques maliciosos, e falhas de hardware a qualquer tempo. Neste trabalho, um algoritmo de Máquinas de Fatoração Distribuído e Resiliente (RDFM) foi desenvolvido para estender as aplicações de Máquinas de Fatoração em ambientes dinâ- micos e online. Demonstramos concomitantemente a eficácia e capacidade de tolerância a faltas do RDFM, através da aprendizagem de uma tarefa de regressão, e de uma estratégia de consenso médio distribuído.Abstract: Firstly applied at recommendation tasks, Factorization Machines algorithms have been widely used, both as a classifier and regressor algorithm. In the last few years, Factor- ization Machine algorithms were proved to be scalable to Big Data learning problems with distributed and parallel approaches due to its characteristics of linear time complex- ity, and ability to learn dense latent feature models with high-dimensional and sparse datasets, with categorical and continuous variables, while avoiding problems of previous techniques, such as the cold-start problem. Investigations on distributed Factorization Machines generally suppose continuously safe computational environments, while realis- tic scenarios may suffer arbitrary errors, malicious attacks, and hardware failures at any time. In this work, a Resilient Distributed Factorization Machine (RDFM) algorithm is proposed for further expanding Factorization Machines application to dynamic online learning environments. We experimentally demonstrate both the efficacy and fault toler- ance capabilities of RDFM, by learning a regression task through an average consensus strategy. Statistical analysis of the experiments confirms its convergence and superiority to non-fault tolerant alternatives under failures.81 p.| il., gráfs.porComputaçãoSistemas de recomendação (filtragem de informações)Aprendizado do computadorTolerância a falha (Computadores)RDFM: algoritmo de máquinas de fatoração distribuído e resilienteinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPGCC1164-D.pdfPGCC1164-D.pdfapplication/pdf1752581https://repositorio.ufsc.br/bitstream/123456789/211532/-1/PGCC1164-D.pdf3f9b9fe4d2b6bbf060a013fd1fe0c52aMD5-1123456789/2115322020-08-20 02:42:12.866oai:repositorio.ufsc.br:123456789/211532Repositório de PublicaçõesPUBhttp://150.162.242.35/oai/requestopendoar:23732020-08-20T05:42:12Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv RDFM: algoritmo de máquinas de fatoração distribuído e resiliente
title RDFM: algoritmo de máquinas de fatoração distribuído e resiliente
spellingShingle RDFM: algoritmo de máquinas de fatoração distribuído e resiliente
Silva, André Rodrigo da
Computação
Sistemas de recomendação (filtragem de informações)
Aprendizado do computador
Tolerância a falha (Computadores)
title_short RDFM: algoritmo de máquinas de fatoração distribuído e resiliente
title_full RDFM: algoritmo de máquinas de fatoração distribuído e resiliente
title_fullStr RDFM: algoritmo de máquinas de fatoração distribuído e resiliente
title_full_unstemmed RDFM: algoritmo de máquinas de fatoração distribuído e resiliente
title_sort RDFM: algoritmo de máquinas de fatoração distribuído e resiliente
author Silva, André Rodrigo da
author_facet Silva, André Rodrigo da
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Silva, André Rodrigo da
dc.contributor.advisor1.fl_str_mv Rech, Luciana de Oliveira
contributor_str_mv Rech, Luciana de Oliveira
dc.subject.classification.none.fl_str_mv Computação
Sistemas de recomendação (filtragem de informações)
Aprendizado do computador
Tolerância a falha (Computadores)
topic Computação
Sistemas de recomendação (filtragem de informações)
Aprendizado do computador
Tolerância a falha (Computadores)
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2019.
publishDate 2019
dc.date.issued.fl_str_mv 2019
dc.date.accessioned.fl_str_mv 2020-08-20T05:42:12Z
dc.date.available.fl_str_mv 2020-08-20T05:42:12Z
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://repositorio.ufsc.br/handle/123456789/211532
dc.identifier.other.none.fl_str_mv 369003
identifier_str_mv 369003
url https://repositorio.ufsc.br/handle/123456789/211532
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 81 p.| il., gráfs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/211532/-1/PGCC1164-D.pdf
bitstream.checksum.fl_str_mv 3f9b9fe4d2b6bbf060a013fd1fe0c52a
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1766805126454968320

Registros relacionados