Dominating sets of the Gabriel Graph : na approach for one-class and online learning classifiers Gabriel graph

Abstract

O Aprendizado Online de dados não estacionários é caracterizado por mudanças na função geradora dos dados, com possível impacto sobre o desempenho de um modelo preditor. Por isto, classificadores que apresentam Capacidade apropriada ao longo das predições são uma possível solução. Porém, tais modelos geralmente possuem hiperparâmetros que necessitam ser definidos previamente. Uma tarefa diferente desta, que também possui desafios relacionados a determinação da Capacidade de um modelo, é o aprendizado realizado com classificadores de classe única. Neste modelo, a superfície de decisão é induzida a partir dos dados referentes a uma única classe. A proposta principal desta tese está centrada no uso da informação da estrutura dos dados para se definir classificadores nos dois Paradigmas de Aprendizados anteriores. Para isto, utiliza-se de um Conjunto Dominante Independente do grafo de Gabriel, o qual tende por definição a ser um subconjunto de pontos dominantes distribuídos e com característica de representatividade do conjunto original. Desta forma, é proposto um algoritmo para a obtenção de um conjunto dominante independente, o qual não necessita de configurar parâmetros e também não utiliza métodos de otimização para achar a solução. É também proposto, uma abordagem para se atualizar, de forma online, o grafo de Gabriel com um novo ponto. Estes dois métodos são usados na definição hiperparamétrica de modelos com funções Radiais: um estimador KDE empregado no cenário de aprendizado online e uma rede RBF utilizada como classificado de classe única. Além destes, é proposto um algoritmo baseado no conjunto dominante independente e no grafo de Gabriel, cuja finalidade é extrair subconjuntos representativos de um conjunto original que possua muito pontos. Esta tese apresenta ainda um método de treinamento online para uma rede SLFN. O processo contínuo de treinamento utiliza uma janela adaptativa para atenuar o impacto causado por mudanças de conceito. Esses métodos foram testados com conjuntos de dados sintéticos e com dados de um processo industrial real.