Publicado em: 03/09/2012

Dissertação de Mestrado em Inteligência Artificial

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL
INSTITUTO DE INFORMÁTICA
PROGRAMA DE POS-GRADUAÇÃO EM COMPUTAÇÃO
———————————————————
DEFESA DE DISSERTAÇÃO DE MESTRADO

Aluno: Luiz Otávio Vilas Bôas Oliveira
Orientador: Prof. Dr. Dante Augusto Couto Barone
Coorientadora: Profa. Dra. Isabela Neves Drummond

Título:CSCDR: Um Classificador Baseado em Seleção Clonal com Redução de Células de Memória
Linha de Pesquisa: Inteligência Artificial

Data: 10/09/2012
Hora: 10h
Local: 43413(67) – sala Auditório Inferior

Banca Examinadora:
Prof. Dr. Mauro Roisenberg (UFSC)
Profa. Dra. Rosa Maria Viccari (UFRGS)
Profa. Dra. Ana Lucia Cetertich Bazzan (UFRGS)

Presidente da Banca: Prof. Dr. Dante Augusto Couto Barone

Resumo:
O sistema imunológico dos vertebrados é extremamente complexo, sendo responsável por proteger o organismo contra agentes causadores de doenças. Para funcionar apropriadamente, é necessário que seus componentes reconheçam de forma eficaz os elementos patógenos, a fim de neutralizá-los, e também os elementos do próprio organismo, de forma a não reagirem a estes. Estas e outras características são similares àquelas exigidas em soluções para problemas de engenharia e computação. Desta forma, os sistemas imunológicos artificiais utilizam a contraparte biológica como metáfora para o desenvolvimento de diversas ferramentas computacionais utilizadas nas mais diversas tarefas. Esta dissertação utiliza os conceitos apresentados pelos sistemas imunológicos artificiais para o desenvolvimento de um novo algoritmo de aprendizado supervisionado, baseado principalmente no mecanismo de seleção clonal. O método proposto neste trabalho, denominado clonal selection classifier with data reduction (CSCDR), utiliza uma função de aptidão com base no número de classificações corretas e incorretas apresentadas por cada anticorpo. O algoritmo tenta maximizar este valor através do processo de seleção clonal, envolvendo mutação, maturação de afinidade e seleção dos melhores indivíduos, transformando a fase de treinamento em um problema de otimização. Isto leva a anticorpos com maior representatividade e, portanto, diminui a quantidade de protótipos gerados ao final do algoritmo. Experimentos em bases de dados sintéticas e bases de dados de problemas reais, utilizadas como benchmark para problemas de aprendizagem de máquina, demonstram a eficácia do algoritmo CSCDR como técnica de classificação. Quando comparado a outros classificadores conhecidos da literatura, o CSCDR apresenta desempenho similar e, quando comparado a algoritmos baseados em instâncias, o mesmo utiliza menores quantidades de protótipos para representar os dados, mantendo o desempenho.

Palavras-chave: sistema imunológico artificial, seleção clonal, classificação de dados.