Método fuzzy para aprendizagem online de parâmetros em redes bayesianas

Detalhes bibliográficos
Autor(a) principal: Lima, Mariana Dehon Costa e
Data de Publicação: 2019
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/215183
Resumo: Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2019.
id UFSC_c1dcf1b63b19becf2779e68a1481f121
oai_identifier_str oai:repositorio.ufsc.br:123456789/215183
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Método fuzzy para aprendizagem online de parâmetros em redes bayesianasComputaçãoRedes bayesianasSistemas difusosTese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2019.Em problemas de aprendizagem, existem situações onde os dados de treinamento não estão totalmente disponíveis durante o momento do aprendizado. Eles são gerados de forma interativa no tempo ou online e tem entre as suas características a possibilidade de haver dados inconsistentes ou faltantes. Em Redes Bayesianas, a aprendizagem é dividida em duas categorias: estrutural (relacionada ao grafo da rede e suas ligações) e paramétrica (relacionada a probabilidade condicional das ligações). Neste trabalho é apresentado o EMFuzzyOnline - um método de aprendizagem de parâmetros online que se adapta rapidamente à mudanças na distribuição dos dados. Essa adaptação busca não apenas de reproduzir a distribuição dos dados na Rede Bayesiana (aprendizagem generativa), como aumentar a acurácia da rede como um todo (aprendizagem discriminativa). O método utiliza as técnicas fuzzy, estatística e inferência bayesiana. A abordagem é comparada com o método Voting EM Adaptativo e a Maximização da Verossimilhança considerando duas condições de simulação: quando a distribuição dos dados é desconhecida, e quando ela é conhecida e passa por mudanças bruscas durante a aprendizagem. Os experimentos foram feitos considerando três cenários distintos: testando a rede estado da arte proposta no método Voting EM, com bases de dados públicas do repositório UCI e com uma base de dados real de perfuração de poços de petróleo. O EMFuzzyOnline se mostrou robusto e versátil em ambas as situações demonstrado através de experimentação e resultados estatísticos, além de oferecer uma parametrização mais simplificada do que a abordagem tradicional - reduzindo de três para um parâmetro de configuração.<br>Abstract : In learning problems, there are situations where training data is not fully available at the learning time. They are incrementally generated by time, defining a type of domain called online that has among its characteristics the possibility of data failure or even missing data. In Bayesian networks, learning is divided into two categories: structure (related to the graph of conditional relations) and parameters (related to the strength of conditional relations). In this work we present EMFuzzyOnline, an online parameter learning method that quickly adapts to changes in the environment not only to reproduce the probability distribution (generative learning) but also to increase the accuracy in the network (discriminative learning) - it uses fuzzy techniques, statistics and general inference to achieve this goal. The approach is compared with the Adaptive Voting EM method and to Maximum Likelihood considering two simulation conditions: when distributions are unknown and when distributions undergo to abrupt changes. The experiments were made considering three different scenarios: testing the state-ofart network proposed on Voting EM Adaptive Method, with public datasets from UCI repository and with a real life database from oil wells perforation. The EMFuzzyOnline achieves good results in both situations by adjusting to environment changes more quickly and by simplifying the parameterization of the traditional approach.Nassar, Silvia ModestoUniversidade Federal de Santa CatarinaLima, Mariana Dehon Costa e2020-10-21T21:13:54Z2020-10-21T21:13:54Z2019info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesis104 p.| il., gráfs., tabs.application/pdf362966https://repositorio.ufsc.br/handle/123456789/215183porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2020-10-21T21:13:54Zoai:repositorio.ufsc.br:123456789/215183Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732020-10-21T21:13:54Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Método fuzzy para aprendizagem online de parâmetros em redes bayesianas
title Método fuzzy para aprendizagem online de parâmetros em redes bayesianas
spellingShingle Método fuzzy para aprendizagem online de parâmetros em redes bayesianas
Lima, Mariana Dehon Costa e
Computação
Redes bayesianas
Sistemas difusos
title_short Método fuzzy para aprendizagem online de parâmetros em redes bayesianas
title_full Método fuzzy para aprendizagem online de parâmetros em redes bayesianas
title_fullStr Método fuzzy para aprendizagem online de parâmetros em redes bayesianas
title_full_unstemmed Método fuzzy para aprendizagem online de parâmetros em redes bayesianas
title_sort Método fuzzy para aprendizagem online de parâmetros em redes bayesianas
author Lima, Mariana Dehon Costa e
author_facet Lima, Mariana Dehon Costa e
author_role author
dc.contributor.none.fl_str_mv Nassar, Silvia Modesto
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Lima, Mariana Dehon Costa e
dc.subject.por.fl_str_mv Computação
Redes bayesianas
Sistemas difusos
topic Computação
Redes bayesianas
Sistemas difusos
description Tese (doutorado) - 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
2020-10-21T21:13:54Z
2020-10-21T21:13:54Z
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 362966
https://repositorio.ufsc.br/handle/123456789/215183
identifier_str_mv 362966
url https://repositorio.ufsc.br/handle/123456789/215183
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 104 p.| il., gráfs., tabs.
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_ 1808652236180422656

Registros relacionados