Modelos múltiplos preditivos dinâmicos para aprendizado multi-visão

Resumo

A combinação de classificadores e a formação de modelos múltiplos preditivos, ou comitês, é uma estratégia popular para unir técnicas de classificação de vieses diferentes e explorar suas potencialidades complementares. Neste projeto, pretende-se investigar a geração de comitês de classificadores para problemas de Aprendizado de Máquina Multi-Visão. O Aprendizado Multi-Visão é um paradigma de Aprendizado de Máquina em que representações diversas do mesmos dados podem ser usados no processo de aprendizado. Como exemplo, em uma base de dados médica, podem haver variáveis que descrevem pacientes na forma de informações demográficas, clínicas e de exames laboratoriais, entre outras formas. Em cada uma dessas representações (visões), diferente técnicas de classificação podem ser mais competentes que outras quanto ao desempenho preditivo, justificando uma seleção dinâmica de técnicas. Ainda, tal seleção pode ser global (para toda uma visão) ou local, em que um subconjunto de classificadores é selecionado para classificar uma observação de uma visão específica. Uma abordagem de meta-aprendizado será utilizada para selecionar os classificadores a serem combinados. Neste trabalho, a seleção de algoritmos adequados para novos problemas será orientada pelo conhecimento de propriedades gerais de problemas semelhantes outrora solucionados. O grupo de pesquisa do Professor Cruz na ÉTS - Uiversité Du Québec possui vários trabalhos sobre a geração de comitês de classificadores, com artigos de alto impacto recentemente publicados, justificando a escolha do grupo de pesquisa para o estágio. A orientadora do trabalho no Brasil possui experiência com meta-aprendizado orientado, em particular, por medidas que estimam a dificuldade de resolver problemas de classificação. Portanto, há uma complementaridade entre os grupos de pesquisa que a colaboração explorará. (AU)