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: PREDICTIVE POLIEDRO: UM NOVO FRAMEWORK PARA CLASSIFICAÇÃO E REGRESSÃO COM REGULARIZAÇÃO NÃO PARAMETRIZADA ORIENTADA POR DADOS Autor: TOMAS FREDERICO MACIEL GUTIERREZ
Instituição: -
Colaborador(es):
DAVI MICHEL VALLADAO - ORIENTADOR
BERNARDO KULNIG PAGNONCELLI - COORIENTADOR
Nº do Conteudo: 60212
Catalogação: 17/08/2022 Idioma(s): INGLÊS - ESTADOS UNIDOS
Tipo: TEXTO Subtipo: APRESENTAÇÃO
Natureza: PUBLICAÇÃO ACADÊMICA
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=60212@1
Referência [en]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=60212@2
Referência DOI: https://doi.org/10.17771/PUCRio.SeminarPPGEP.60212
Resumo:
Título: PREDICTIVE POLIEDRO: UM NOVO FRAMEWORK PARA CLASSIFICAÇÃO E REGRESSÃO COM REGULARIZAÇÃO NÃO PARAMETRIZADA ORIENTADA POR DADOS Autor: TOMAS FREDERICO MACIEL GUTIERREZ
BERNARDO KULNIG PAGNONCELLI - COORIENTADOR
Nº do Conteudo: 60212
Catalogação: 17/08/2022 Idioma(s): INGLÊS - ESTADOS UNIDOS
Tipo: TEXTO Subtipo: APRESENTAÇÃO
Natureza: PUBLICAÇÃO ACADÊMICA
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=60212@1
Referência [en]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=60212@2
Referência DOI: https://doi.org/10.17771/PUCRio.SeminarPPGEP.60212
Resumo:
O Predictive PolieDRO é um novo framework para classificação e regressão que aproveita o poder e a flexibilidade da Otimização Distributionally Robust orientada por dados para contornar a necessidade de hiperparâmetros de regularização. A literatura recente mostra que os métodos tradicionais de aprendizado de máquina, como SVM e (square root) LASSO, podem ser escritos como problemas DRO baseados na métrica de Warserstein. Alavancando tais resultados, propomos um conjunto de ambiguidades sem hiperparâmetros que explora a estrutura poliédrica de cascos convexos construídos a partir dos dados. Dada qualquer função de custo convexa, o modelo proposto é computacionalmente tratável, uma vez que desenvolvemos uma reformulação equivalente em programação convexa de nível único. Para lidar com espaços de alta dimensão, propomos um método de ensemble que usa o predictive PolieDRO como modelo base, com subconjuntos de recursos e amostras escolhidos aleatoriamente. Resultados numéricos baseados em mais de 50 bases de dados mostram que nosso método supera consistentemente seus equivalentes paramétricos.
Descrição | Arquivo |
NA ÍNTEGRA |