Estudo de meta-características em nível de instância

• Processo: 25/10304-4
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de julho de 2025
• Data de Término da vigência: 30 de junho de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Ana Carolina Lorena
• Beneficiário: Thiago Galante Pereira
• Instituição Sede: Divisão de Ciência da Computação (IEC). Instituto Tecnológico de Aeronáutica (ITA). Ministério da Defesa (Brasil). São José dos Campos , SP, Brasil
• Vinculado ao auxílio: 21/06870-3 - Além da seleção de algoritmos: meta-aprendizado para análise e entendimento de dados e algoritmos, AP.JP2
• Assunto(s): Aprendizado computacional Dados não estruturados Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | dados estruturados | Dados não estruturados | Meta-aprendizagem | Meta-Características | Inteligência Artificial

Resumo

A meta-aprendizagem (ML) geralmente se concentra na análise de um conjunto de conjuntos de dados e em como suas características influenciam o desempenho da classificação em Aprendizado de Máquina (ML). No entanto, também é possível aplicar esse framework em um nível mais granular, onde características de cada observação (instância) em um conjunto de dados são relacionadas ao desempenho algorítmico. Dessa forma, pode-se explorar para quais instâncias em um conjunto de dados os algoritmos têm mais dificuldade e por quê. Outra possibilidade é a escolha dinâmica de preditores para cada instância com base em seus perfis. Para isso, é necessário extrair meta-características significativas das observações do conjunto de dados. Esta pesquisa estudará a eficácia das meta-características em nível de instância na caracterização de diferentes tipos de dados, ampliando nosso entendimento sobre como elas se comportam ao descrever diferentes tipos de dados. (AU)