{"id":{"repo_id":"brazil-ufpe","oai_identifier":"oai:repositorio.ufpe.br:123456789/2229"},"canonical_url":"https://search.dev.ndltd.org/etd/brazil-ufpe/oai:repositorio.ufpe.br:123456789/2229","repository":{"repo_id":"brazil-ufpe","name":"Brazil UFPE","base_url":"https://repositorio.ufpe.br/oai/request"},"display":{"title":"Técnicas de redução de instâncias: ATISA e SSMA2","abstract":"Algoritmos de aprendizagem baseados em instâncias geralmente fazem uso de grandes conjuntos de treinamento. Esses algoritmos podem necessitar de razoável espaço de armazenamento para manter esses conjuntos, ou mesmo sofrer com elevado custo computacional para a realização da aprendizagem, ou durante generalizações. Um processo de seleção de instâncias específicas para uso na aprendizagem pode influenciar fortemente o desempenho dos algoritmos baseados em instâncias. Eles podem ser melhorados em quesitos como: requisitos de armazenamento, tempo de execução e também em poder de classificação. Uma variedade de técnicas da literatura atuam com a finalidade da redução de instâncias em um conjunto de treinamento. Duas novas técnicas serão introduzidas nesta dissertação. A primeira delas, ATISA (Adaptive Threshold-based Instance Selection Algorithm), mantém instâncias com base em um critério que usa a distância de cada instância ao seu inimigo mais próximo como um limiar. Essa característica prioriza instâncias próximas às fronteiras de decisão, que são mais determinantes no processo de classificação. O ATISA é apresentado em três diferentes algoritmos, cada um com abordagens distintas. A segunda técnica proposta é uma adaptação do SSMA (Steady- State Memetic Algorithm), já utilizado para a seleção de instâncias, para a síntese de protótipos. Aqui chamado de SSMA2, ele é um algoritmo evolucionário que cria protótipos que representam instâncias e que podem não estar contidos no conjunto original de treinamento. Durante o processo de evolução, ele realiza um passo de busca local para refinar soluções, vem daí a denominação memético. Ambos, ATISA e SSMA2, apresentaram-se como alternativas dentre as técnicas de redução de instâncias existentes, de acordo com os experimentos realizados","abstract_html":"Algoritmos de aprendizagem baseados em instâncias geralmente fazem uso de grandes conjuntos de treinamento. Esses algoritmos podem necessitar de razoável espaço de armazenamento para manter esses conjuntos, ou mesmo sofrer com elevado custo computacional para a realização da aprendizagem, ou durante generalizações. Um processo de seleção de instâncias específicas para uso na aprendizagem pode influenciar fortemente o desempenho dos algoritmos baseados em instâncias. Eles podem ser melhorados em quesitos como: requisitos de armazenamento, tempo de execução e também em poder de classificação. Uma variedade de técnicas da literatura atuam com a finalidade da redução de instâncias em um conjunto de treinamento. Duas novas técnicas serão introduzidas nesta dissertação. A primeira delas, ATISA (Adaptive Threshold-based Instance Selection Algorithm), mantém instâncias com base em um critério que usa a distância de cada instância ao seu inimigo mais próximo como um limiar. Essa característica prioriza instâncias próximas às fronteiras de decisão, que são mais determinantes no processo de classificação. O ATISA é apresentado em três diferentes algoritmos, cada um com abordagens distintas. A segunda técnica proposta é uma adaptação do SSMA (Steady- State Memetic Algorithm), já utilizado para a seleção de instâncias, para a síntese de protótipos. Aqui chamado de SSMA2, ele é um algoritmo evolucionário que cria protótipos que representam instâncias e que podem não estar contidos no conjunto original de treinamento. Durante o processo de evolução, ele realiza um passo de busca local para refinar soluções, vem daí a denominação memético. Ambos, ATISA e SSMA2, apresentaram-se como alternativas dentre as técnicas de redução de instâncias existentes, de acordo com os experimentos realizados","abstract_has_math":false,"creators":["Lima Pereira, Cesar"],"institution":"Universidade Federal de Pernambuco","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Darmiton da Cunha Cavalcanti, George"],"committee_chairs":[],"committee_members":[],"year":2010,"date_issued":"2010-01-31","date_published":"2010-01-31","updated_at":"2026-07-24T01:18:46Z","subjects":["Aprendizagem baseada em instâncias","Regra do vizinho mais próximo","Redução de instâncias","Seleção de protótipos"],"languages":["por"],"rights":["openAccess","Attribution-NonCommercial-NoDerivs 3.0 Brazil"],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/3.0/br/"],"identifier_entries":[]},"links":{"outbound_url":"https://repositorio.ufpe.br/handle/123456789/2229","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Darmiton da Cunha Cavalcanti, George"]},{"key":"dc:creator","label":"Author","values":["Lima Pereira, Cesar"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2014-06-12T15:55:36Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2014-06-12T15:55:36Z"]},{"key":"dc:date.issued","label":"Date","values":["2010-01-31"]},{"key":"dc:publisher","label":"Institution","values":["Universidade Federal de Pernambuco"]},{"key":"dc:type","label":"Dc Type","values":["masterThesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Aprendizagem baseada em instâncias","Regra do vizinho mais próximo","Redução de instâncias","Seleção de protótipos"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["por"]},{"key":"dc:rights","label":"Dc Rights","values":["openAccess","Attribution-NonCommercial-NoDerivs 3.0 Brazil"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-nd/3.0/br/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://repositorio.ufpe.br/handle/123456789/2229"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Algoritmos de aprendizagem baseados em instâncias geralmente fazem uso de grandes conjuntos de treinamento. Esses algoritmos podem necessitar de razoável espaço de armazenamento para manter esses conjuntos, ou mesmo sofrer com elevado custo computacional para a realização da aprendizagem, ou durante generalizações. Um processo de seleção de instâncias específicas para uso na aprendizagem pode influenciar fortemente o desempenho dos algoritmos baseados em instâncias. Eles podem ser melhorados em quesitos como: requisitos de armazenamento, tempo de execução e também em poder de classificação. Uma variedade de técnicas da literatura atuam com a finalidade da redução de instâncias em um conjunto de treinamento. Duas novas técnicas serão introduzidas nesta dissertação. A primeira delas, ATISA (Adaptive Threshold-based Instance Selection Algorithm), mantém instâncias com base em um critério que usa a distância de cada instância ao seu inimigo mais próximo como um limiar. Essa característica prioriza instâncias próximas às fronteiras de decisão, que são mais determinantes no processo de classificação. O ATISA é apresentado em três diferentes algoritmos, cada um com abordagens distintas. A segunda técnica proposta é uma adaptação do SSMA (Steady- State Memetic Algorithm), já utilizado para a seleção de instâncias, para a síntese de protótipos. Aqui chamado de SSMA2, ele é um algoritmo evolucionário que cria protótipos que representam instâncias e que podem não estar contidos no conjunto original de treinamento. Durante o processo de evolução, ele realiza um passo de busca local para refinar soluções, vem daí a denominação memético. Ambos, ATISA e SSMA2, apresentaram-se como alternativas dentre as técnicas de redução de instâncias existentes, de acordo com os experimentos realizados"]},{"key":"dc:title","label":"Title","values":["Técnicas de redução de instâncias: ATISA e SSMA2"]}]}],"canonical_facts":{"dc:contributor.advisor":["Darmiton da Cunha Cavalcanti, George"],"dc:creator":["Lima Pereira, Cesar"],"dc:date.accessioned":["2014-06-12T15:55:36Z"],"dc:date.available":["2014-06-12T15:55:36Z"],"dc:date.issued":["2010-01-31"],"dc:description.abstract":["Algoritmos de aprendizagem baseados em instâncias geralmente fazem uso de grandes conjuntos de treinamento. Esses algoritmos podem necessitar de razoável espaço de armazenamento para manter esses conjuntos, ou mesmo sofrer com elevado custo computacional para a realização da aprendizagem, ou durante generalizações. Um processo de seleção de instâncias específicas para uso na aprendizagem pode influenciar fortemente o desempenho dos algoritmos baseados em instâncias. Eles podem ser melhorados em quesitos como: requisitos de armazenamento, tempo de execução e também em poder de classificação. Uma variedade de técnicas da literatura atuam com a finalidade da redução de instâncias em um conjunto de treinamento. Duas novas técnicas serão introduzidas nesta dissertação. A primeira delas, ATISA (Adaptive Threshold-based Instance Selection Algorithm), mantém instâncias com base em um critério que usa a distância de cada instância ao seu inimigo mais próximo como um limiar. Essa característica prioriza instâncias próximas às fronteiras de decisão, que são mais determinantes no processo de classificação. O ATISA é apresentado em três diferentes algoritmos, cada um com abordagens distintas. A segunda técnica proposta é uma adaptação do SSMA (Steady- State Memetic Algorithm), já utilizado para a seleção de instâncias, para a síntese de protótipos. Aqui chamado de SSMA2, ele é um algoritmo evolucionário que cria protótipos que representam instâncias e que podem não estar contidos no conjunto original de treinamento. Durante o processo de evolução, ele realiza um passo de busca local para refinar soluções, vem daí a denominação memético. Ambos, ATISA e SSMA2, apresentaram-se como alternativas dentre as técnicas de redução de instâncias existentes, de acordo com os experimentos realizados"],"dc:identifier.uri":["https://repositorio.ufpe.br/handle/123456789/2229"],"dc:language.iso":["por"],"dc:publisher":["Universidade Federal de Pernambuco"],"dc:rights":["openAccess","Attribution-NonCommercial-NoDerivs 3.0 Brazil"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/3.0/br/"],"dc:subject":["Aprendizagem baseada em instâncias","Regra do vizinho mais próximo","Redução de instâncias","Seleção de protótipos"],"dc:title":["Técnicas de redução de instâncias: ATISA e SSMA2"],"dc:type":["masterThesis"]},"updated_at":"2026-07-24T01:18:46Z"}