XINFORMAÇÕES SOBRE DIREITOS AUTORAIS
As obras disponibilizadas nesta Biblioteca Digital foram publicadas sob expressa autorização dos respectivos autores, em conformidade com a Lei 9610/98.
A consulta aos textos, permitida por seus respectivos autores, é livre, bem como a impressão de trechos ou de um exemplar completo exclusivamente para uso próprio. Não são permitidas a impressão e a reprodução de obras completas com qualquer outra finalidade que não o uso próprio de quem imprime.
A reprodução de pequenos trechos, na forma de citações em trabalhos de terceiros que não o próprio autor do texto consultado,é permitida, na medida justificada para a compreeensão da citação e mediante a informação, junto à citação, do nome do autor do texto original, bem como da fonte da pesquisa.
A violação de direitos autorais é passível de sanções civis e penais.
As obras disponibilizadas nesta Biblioteca Digital foram publicadas sob expressa autorização dos respectivos autores, em conformidade com a Lei 9610/98.
A consulta aos textos, permitida por seus respectivos autores, é livre, bem como a impressão de trechos ou de um exemplar completo exclusivamente para uso próprio. Não são permitidas a impressão e a reprodução de obras completas com qualquer outra finalidade que não o uso próprio de quem imprime.
A reprodução de pequenos trechos, na forma de citações em trabalhos de terceiros que não o próprio autor do texto consultado,é permitida, na medida justificada para a compreeensão da citação e mediante a informação, junto à citação, do nome do autor do texto original, bem como da fonte da pesquisa.
A violação de direitos autorais é passível de sanções civis e penais.
Coleção Digital
Título: TIME CONSTRAINED LEARNING: CLASSIFICATION PROBLEMS Autor: FRANCISCO SERGIO DE FREITAS FILHO
Instituição: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO - PUC-RIO
Colaborador(es):
EDUARDO SANY LABER - ADVISOR
MARCO SERPA MOLINARO - CO-ADVISOR
Nº do Conteudo: 63896
Catalogação: 04/09/2023 Idioma(s): PORTUGUESE - BRAZIL
Tipo: TEXT Subtipo: THESIS
Natureza: SCHOLARLY PUBLICATION
Nota: Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio.
Referência [pt]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=63896@1
Referência [en]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=63896@2
Referência DOI: https://doi.org/10.17771/PUCRio.acad.63896
Resumo:
Título: TIME CONSTRAINED LEARNING: CLASSIFICATION PROBLEMS Autor: FRANCISCO SERGIO DE FREITAS FILHO
MARCO SERPA MOLINARO - CO-ADVISOR
Nº do Conteudo: 63896
Catalogação: 04/09/2023 Idioma(s): PORTUGUESE - BRAZIL
Tipo: TEXT Subtipo: THESIS
Natureza: SCHOLARLY PUBLICATION
Nota: Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio.
Referência [pt]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=63896@1
Referência [en]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=63896@2
Referência DOI: https://doi.org/10.17771/PUCRio.acad.63896
Resumo:
With the growing amount of data being generated and collected, it
becomes increasingly common to have scenarios where there are large-scale
labeled data but limited computational resources, making it impossible to train
predictive models using all available samples. Faced with this reality, we adopt
the Machine Teaching paradigm as an alternative to obtain effective models
using a representative subset of available data.
Initially, we consider a central problem of the Machine Teaching area
which consists of finding the smallest set of samples necessary to obtain a
given target hypothesis h(asterisk). We adopt the black-box learner teaching model
introduced in (DASGUPTA et al., 2019), where teaching is done interactively
without any knowledge about the learner s algorithm and its hypothesis class,
except that it contains the target hypothesis h(asterisk). We refine some existing results
for this model and study its variants. In particular, we extend a result from
(DASGUPTA et al., 2019) to the more realistic scenario where h(asterisk) may not
be contained in the learner s hypothesis class, and therefore, the teacher s
objective is to make the learner converge to the best available approximation
of h(asterisk). We also consider the scenario with non-adversarial black-box learners
and show that we can obtain better results for the type of learner that moves
to the next hypothesis smoothly, preferring hypotheses that are closer to the
current hypothesis.
Next, we address the Time-Constrained Learning problem, considering a
scenario where we have a huge dataset and a time limit to train a given learner
using this dataset. We propose the TCT method, an algorithm for this task,
developed based on Machine Teaching principles. We present an experimental
study involving 5 different learners and 20 datasets in which we show that TCT
outperforms alternative methods considered. Finally, we prove approximation
guarantees for a simplified version of TCT.
Descrição | Arquivo |
COMPLETE |