Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/JCES-ARRMAB
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Renato Antonio Celso Ferreira | pt_BR |
dc.contributor.advisor-co1 | Adriano Alonso Veloso | pt_BR |
dc.contributor.referee1 | Adriano Alonso Veloso | pt_BR |
dc.contributor.referee2 | Edleno Silva de Moura | pt_BR |
dc.contributor.referee3 | Leandro Balby Marinho | pt_BR |
dc.contributor.referee4 | Nivio Ziviani | pt_BR |
dc.creator | Alberto de Sá Cavalcanti de Albuquerque | pt_BR |
dc.date.accessioned | 2019-08-10T10:29:05Z | - |
dc.date.available | 2019-08-10T10:29:05Z | - |
dc.date.issued | 2017-06-23 | pt_BR |
dc.identifier.uri | http://hdl.handle.net/1843/JCES-ARRMAB | - |
dc.description.resumo | Neste trabalho, nós avaliamos de forma abrangente o impacto e potencial que o aprendizado profundo de representações alternativas tem enquanto aprimorador de resultados em tarefas de ordenação de documentos. Nós utilizamos autoencoders empilhados para criar um conjunto de centenas de representações alternativas de diversas bases de dados, e as avaliamos sob a ótica do desempenho de diversos algoritmos tradicionais de aprendizado de ordenação de documentos. Em outras palavras, procuramos saber o quão fácil ou dificíl é aprimorar a representação dos dados, usando autoencoders, que esses algoritmos utilizam em suas tarefas de aprendizado, e o quão melhores tais representações podem ser. Utilizamos o autoencoder para percorrer o domínio de representações possíveis de forma uniforme, de modo a, também, procurar entender o quão útil o autoencoder é para tal tarefa. Vemos em nossas análises que é possível, embora difícil, aprimorar a representação dos dados de forma relevante, obtendo resultados superiores ao estado da arte nas tarefas de ordenação de documentos. Vemos também que há conjuntos de hiperparâmetros do autoencoder que tendem a gerar resultados melhores. | pt_BR |
dc.language | Português | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Aprendizado de Ordenação de Documentos | pt_BR |
dc.subject | Recuperação de Informação | pt_BR |
dc.subject | Aprendizado de Máquina | pt_BR |
dc.subject | Representações | pt_BR |
dc.subject.other | Recuperação da informação | pt_BR |
dc.subject.other | Aprendizado de representações | pt_BR |
dc.subject.other | Aprendizado de ranqueamento | pt_BR |
dc.subject.other | Computação | pt_BR |
dc.subject.other | Aprendizado de máquina | pt_BR |
dc.title | Recodificação de atributos para learning to rank usando autoencoders | pt_BR |
dc.type | Dissertação de Mestrado | pt_BR |
Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
albertosacavalcanti.pdf | 822.1 kB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.