RDFM: algoritmo de máquinas de fatoração distribuído e resiliente
Autor(a) principal: | |
---|---|
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 |
RDFM: algoritmo de máquinas de fatoração distribuído e resilienteComputaçãoSistemas de recomendação (filtragem de informações)Aprendizado do computadorTolerância a falha (Computadores)Dissertação (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.Rech, Luciana de OliveiraUniversidade Federal de Santa CatarinaSilva, André Rodrigo da2020-08-20T05:42:12Z2020-08-20T05:42:12Z2019info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis81 p.| il., gráfs.application/pdf369003https://repositorio.ufsc.br/handle/123456789/211532porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2020-08-20T05:42:12Zoai:repositorio.ufsc.br:123456789/211532Repositório InstitucionalPUBhttp://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 |
Rech, Luciana de Oliveira Universidade Federal de Santa Catarina |
dc.contributor.author.fl_str_mv |
Silva, André Rodrigo da |
dc.subject.por.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.none.fl_str_mv |
2019 2020-08-20T05:42:12Z 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 |
369003 https://repositorio.ufsc.br/handle/123456789/211532 |
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. application/pdf |
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 |
repository.name.fl_str_mv |
Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC) |
repository.mail.fl_str_mv |
|
_version_ |
1808652091086864384 |