Eventos
Divulgação - Defesa Nº 269
Aluno: Messias Rafael Batista
Título: “Otimização de Hiperparâmetros com PSO para Modelos de Machine Learning na Previsão da Performance de Estudantes em Concursos Educacionais”
Orientadora: Roberta Andrade de Araújo Fagundes (PPGEC)
Examinador Externo: José Adson Oliveira Guedes da Cunha (UFPB)
Examinador Interno: Carlo Marcelo Revoredo (PPGEC)
Data-hora: 28 de Abril de 2023, às 14:30h.
Local: Formato Presencial - Mini-Auditorio do PPGEC
Resumo:
A capacidade dos estudantes de aumentar sua performance em concursos propostos é um fator crítico para o desenvolvimento educacional das nações. O tema da performance dos estudantes é recorrente no campo de estudos da regressão, que utiliza o machine learning como ferramenta para compreender quais atributos podem influenciar com maior grau a performance dos estudantes em avaliações. Neste contexto, este trabalho visa contribuir para a proposta de um modelo de machine learning que possa ampliar a capacidade preditiva das instituições educacionais em relação ao desempenho dos estudantes em concursos educacionais internacionais. O objetivo central deste estudo é comparar a performance entre diferentes modelos de machine learning na resolução do problema de previsão da performance de estudantes em concursos educacionais internacionais, utilizando a base de dados do PISA 2018. Além disso, será realizada uma revisão sistemática da literatura para evidenciar a contribuição científica da área. Como contribuição para o campo de pesquisa, este trabalho propõe a aplicação da otimização de hiperparâmetros com algoritmos baseados em enxames, especificamente o Particle Swarm Optimization. Espera-se que os resultados deste estudo possam contribuir para o desenvolvimento de estratégias mais eficazes de intervenção educacional e, assim, melhorar a performance dos estudantes em concursos educacionais internacionais. Além disso, espera-se que a aplicação da otimização de hiperparâmetros com algoritmos baseados em enxames possa levar a melhorias significativas na precisão das previsões em relação a outras técnicas de otimização de hiperparâmetros utilizadas na literatura.
Divulgação - Defesa Nº 268
Aluno: Marie Chantelle Cruz Medina
Título: “A Local Learning Approach for Sequential Hybrid Systems in Time Series Forecasting”
Orientador: João Fausto Lorenzato de Oliveira - (PPGEC)
Examinador Externo: Teresa Bernarda Ludermir - (UFPE)
Examinador Interno: Bruno José Torres Fernandes - (PPGEC)
Data-hora: 10 de Abril de 2023, às 10:30h.
Local: REMOTO (https://meet.google.com/aar-ajbj-ofx)
Resumo:
A aplicação de sistemas híbridos para previsão de séries temporais tem sido amplamente explorada na literatura, uma vez que oferecem melhorias significativas em desempenho e robustez em relação a modelos individuais. Um caso relevante desses sistemas é o modelo híbrido sequencial de Zhang (2003), que tem recebido diversas modificações até hoje com o objetivo de alcançar a melhor versão possível. Neste estudo, foi desenvolvida uma abordagem de seleção dinâmica baseada nos princípios de Zhang para reduzir o risco de selecionar um modelo inadequado, reduzir a variância do modelo e permitir uma melhor adaptação aos padrões exclusivos de cada série temporal. Isso foi alcançado primeiro calculando a previsão linear da série temporal e a previsão não linear de seu resíduo; logo criando de uma região de competência em torno de cada ponto de consulta a ser previsto usando os K-vizinhos mais próximos; e, finalmente, aplicando aprendizado local para combinar as previsões linear e não linear com um modelo de Regressão Kernel Ridge selecionado dinamicamente. Para testar o desempenho do modelo proposto, foram conduzidos experimentos com sete outros modelos da literatura e dez conjuntos de dados relevantes para obter medidas objetivas de desempenho e determinar o melhor. Técnicas como separação de dados de teste, normalização e ajuste de parâmetros foram implementadas para garantir a melhor combinação possível de elementos presentes, uma vez que o reconhecimento de padrões depende muito disso. Os resultados obtidos colocaram o modelo proposto como o melhor com uma classificação média de 1,50 e os menores valores de MSE em nove dos dez conjuntos de dados utilizados. Para os conjuntos de dados de Pollution, Gas, Lake Erie, Electricity, Pigs, Red Wine, Car Sales, Sunspot, Traffic e Nordic, foram obtidos valores de erro de 8,00E-05, 1,26E-04, 1,05E-03, 4,25E-04, 8,41E-03, 2,78E-04, 4,00E-04, 3,99E-03, 2,59E-04 e 1,68E-04; respectivamente. Essas medidas de erro representam um ganho de desempenho de 26,23$\%$ a 99,59$\%$ em relação a ARIMA e de 6,99$\%$ a 99,72$\%$ em relação aos outros modelos testados, com exceção de um único banco de dados em que outro modelo obteve o melhor desempenho. Para respaldar a ideia de que o modelo proposto foi o melhor em desempenho em relação a todos os outros testados, foi executado um teste de Friedman-Nemenyi, que confirmou com 95$\%$ de confiança que o desempenho do modelo proposto foi o melhor. Os resultados obtidos em todos os testes permitem concluir que as etapas sugeridas em todas as fases deste estudo representam uma contribuição na área de sistemas de previsão sequencial de séries temporais híbridas e que o desempenho obtido é relevante no estado da arte.
Divulgação - Defesa Nº 266
Aluno: Vinícius Oliveira Barros
Título: “Interpretability of an Automatic Handwritten Signature Verification Model”
Orientador: Byron Leite Dantas Bezerra - (PPGEC)
Examinador Externo: Cleber Zanchettin - (UFPE)
Examinador Interno: Diego José Rátiva Millán (PPGEC)
Data-hora: 31 de Março de 2023, às 08:30h.
Local: REMOTO (https://meet.google.com/jnv-dhrg-tcz)
Resumo:
In handwritten signature verification, convolutional neural networks are used in many different configurations and produce vastly different albeit satisfactory results when extracting signature features. One problem posed by the usage of these models is that, depending on the application, the need for insight into what features were used to output a given feature sets a barrier to the usage of those networks. In this work, we use Integrated Gradients and Saliency maps to extract regions of relevance from a sample input signature. We also analyze those regions where signature features such as initial and final pen strokes, pressure, speed, and connections, among others, to investigate if a proposed feature-extracting network points to the same criteria used by handwritten signature verification experts. Our experiments show that the initial and final pen strokes are the most commonly-occurring, high-relevance feature region outputted by the selected attribution algorithms with a relative frequency of 66.6%. These results relate to those obtained by the study of the criteria chosen by experts in a similar setting.
O Programa
