Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/331799
Type: TESE DIGITAL
Degree Level: Mestrado
Title: Método das direções alternadas para multiplicadores com aplicações em problemas de suporte vetorial distribuído
Title Alternative: Alternating directions method of multipliers with applications in distributed support vector problems
Author: Dadauto, Caio Vinícius, 1990-
Advisor: Silva, Paulo José da Silva e, 1973-
Abstract: Resumo: Essa dissertação trata do paradigma de máquina de suporte vetorial (SVM) aplicado a um problema de aprendizado supervisionado, com o conjunto de treino distribuído entre agentes de uma rede conexa em que a comunicação dos dados de treino é proibida. Para tanto, o SVM é reescrito como um conjunto de subproblemas de otimização convexa que podem ser computados por cada agente de forma síncrona, bastando para isso apenas a comunicação de determinados vetores, os quais são de consenso a toda rede. Esses subproblemas são introduzidos através da aplicação do método de direções alternadas para multiplicadores (ADMM). Visto a importância desse método e desse paradigma à abordagem distribuída do SVM, os aspectos teóricos relevantes ao ADMM e ao SVM são tratados de forma rigorosa no início dessa dissertação. São apresentadas duas variantes para o SVM distribuído, sendo uma para a classificação linear e outra para a classificação não linear. Por fim, são realizadas simulações numéricas que justificam o uso do método proposto. De fato, o método apresenta, para ambas as variantes, capacidade preditiva superior a aplicação do SVM apenas sobre os dados de um único agente sem a colaboração com toda a rede. Ademais, a variante para a classificação linear apresenta um modelo tão acurado quanto o modelo proveniente da aplicação do SVM linear a todo conjunto de dados

Abstract: This dissertation deals with the support vector machine (SVM) classifier applied to a supervised learning problem where the training data is distributed among the agents of a connected network that can not to share all information. To achieve this, the SVM is rewritten as a set of convex optimization subproblems that can be computed synchronously for each agent. Those subproblems are introduced by the alternating direction method of multipliers (ADMM). As these ideas are important to distributed SVM approach, the main theoretical aspects for ADMM and SVM are formally discussed in the beginning of this dissertation. Two variants of distributed SVM are proposed, namely the approach to linear and another for nonlinear classification. Lastly, numerical simulations that justify the use of the proposed method. In fact, the method shows, for both variants, greater predictive capacity than the application of the SVM to the data from only one agent without the collaboration with the whole network. Moreover, the variant for linear classification shows a model that is as accurate as the model from the application of the linear SVM in the whole data set
Subject: Otimização matemática
Programação convexa
Aprendizado de máquina
Language: Português
Editor: [s.n.]
Citation: DADAUTO, Caio Vinícius. Método das direções alternadas para multiplicadores com aplicações em problemas de suporte vetorial distribuído. 2018. 1 recurso online (107 p.). Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação Científica, Campinas, SP. Disponível em: <http://www.repositorio.unicamp.br/handle/REPOSIP/331799>. Acesso em: 3 set. 2018.
Date Issue: 2018
Appears in Collections:IMECC - Tese e Dissertação

Files in This Item:
File SizeFormat 
Dadauto_CaioVinicius_M.pdf2.4 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.