FenixEdu™

Dissertação

Learning the Leader-Follower Structure from Data Streams EVALUATED

Detalhes: Muitas aplicações geram uma enorme quantidade de dados constituídos por sinais cuja evolução resulta de uma estrutura subjacente. Esta estrutura, quando conhecida, permite não só compreender melhor os dados como pode ser explorada para tarefas de inferência. Esta tese foca-se numa estrutura de líderes-seguidores, em que um pequeno subconjunto dos sinais (líderes) determina a acção dos restantes (seguidores). O objetivo principal é identificar os líderes e os parâmetros que explicam a influência dos líderes nos seguidores, expondo a estrutura subjacente aos dados. Considera-se duas restrições que incorporam informação prévia: restrições nos parâmetros e um limite superior no número de líderes. Começa-se por resolver o problema no qual cada seguidor tem o seu próprio conjunto de líderes. Formula-se o problema como uma optimização não convexa e propõe-se heurísticas baseadas numa relaxação convexa para o resolver. De seguida, aborda-se o problema de encontrar um único conjunto de líderes para todos os sinais. Propõe-se duas estratégias: a primeira resolve o primeiro problema para cada sinal e realiza uma votação para selecionar os líderes globais, a segunda estende as heurísticas propostas para realizar a inferência com todos os sinais. Para ambos os problemas, apresentam-se experiências que mostram um desempenho superior face a métodos adaptados da literatura. Para além disso, as heurísticas propostas podem ser aplicadas eficientemente usando algoritmos Frank-Wolfe, tornando-as atrativas para redes de maiores dimensões. Por fim, este trabalho é estendido em diferentes direções, lidando com observações em falta e mostrando a flexibilidade dos métodos através da sua aplicação em problemas distintos.
Keywords: Relações Líder-Seguidor, Identificação de Redes Causais, Redes Esparsas, Identificação de Líderes, Problemas de Optimização Convexos, Algoritmos Frank-Wolfe

Discussão: novembro 27, 2019, 11:30