Dissertação

Learning compact models for representing sets of patterns EVALUATED

Um dos principais inconvenientes da descoberta de padrões ainda é o problema da explosão de padrões, i.e., o grande número de padrões produzidos pelos algoritmos de descoberta de padrões quando analisando uma base de dados com um valor mínimo de suporte. Várias técnicas, algoritmos e sistemas foram propostos de maneira a mitigar este problema, uns através de filtros aplicados aos padrões, outros através da compactação dos padrões encontrados, mas nenhum deles através da abstracção dos padrões encontrados em representações mais gerais baseadas em modelos matemáticos. Neste trabalho, propomos a noção de meta-padrão - uma abstracção de um conjunto de padrões que partilham características comuns, e um novo método para encontrar o grupo de meta-padrões capazes de representar um dado conjunto de padrões. A abordagem que tomamos procura inferir automaticamente variáveis a partir dos conjuntos de padrões encontrados, de maneira a generalizá-los e tornar possível uma representação compacta. O objectivo é preservar tanta informação quanto possível, usando um algoritmo eficiente e correspondente estrutura de dados que beneficie o processo de inferência de tais variáveis. Os resultados experimentais demonstram que é encontrado um significativo nível de compactação em termos dos padrões apresentados, dando assim ao utilizador resultados mais fáceis de entender.
Descoberta de padrões, explosão de padrões, compactação, sumarização, eficiência

Novembro 11, 2014, 14:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Claudia Martins Antunes

Departamento de Engenharia Informática (DEI)

Professor Auxiliar