发布求助
文献互助 智能选刊 最新文献

Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022)最新文献

筛选
英文 中文
Tractable Mode-Finding in Sum-Product Networks with Gaussian Leaves 高斯叶和积网络的可处理寻模
Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022) Pub Date : 2022-11-28 DOI: 10.5753/eniac.2022.227582
Tiago Madeira, D. Mauá
{"title":"Tractable Mode-Finding in Sum-Product Networks with Gaussian Leaves","authors":"Tiago Madeira, D. Mauá","doi":"10.5753/eniac.2022.227582","DOIUrl":"https://doi.org/10.5753/eniac.2022.227582","url":null,"abstract":"In this work, we leverage the relation between Sum-Product Networks (SPNs) and Gaussian mixtures to propose an algorithm that adapts the Expectation-Maximization method to efficiently find the modes of SPNs with Gaussian leaves. We discuss how the algorithm can be used to perform Maximum-A-Posteriori inference in SPNs learned from continuous data with theoretical advantages over the existing methods in the literature, and how it can be used to shrink the size of learned models. As an additional example of the use of the algorithm, we perform an SPN-based hierarchical clustering of digit images. Thus, our proposed algorithm can be used for model analysis, model compression, and exploratory data analysis.","PeriodicalId":165095,"journal":{"name":"Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022)","volume":"219 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-11-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"124326849","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 1
Modelos para Previsão Tributária Utilizando Redes Neurais LSTM 使用LSTM神经网络的税收预测模型
Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022) Pub Date : 2022-11-28 DOI: 10.5753/eniac.2022.227595
Arthur F. Dornelas, L. D. Campos, Karla Figueiredo
{"title":"Modelos para Previsão Tributária Utilizando Redes Neurais LSTM","authors":"Arthur F. Dornelas, L. D. Campos, Karla Figueiredo","doi":"10.5753/eniac.2022.227595","DOIUrl":"https://doi.org/10.5753/eniac.2022.227595","url":null,"abstract":"O ICMS (Imposto sobre Circulação de Mercadorias e Prestação de Serviços de Transporte Interestadual e Intermunicipal e de Comunicação) é um dos principais impostos arrecadados pelos estados brasileiros, sendo seu valor importante na gestão e planejamento do governo, em especial para o estado do Rio de Janeiro, que se apresenta em crise econômica e desde o ano 2020 está em Regime de Recuperação Fiscal, necessitando de uma constante atualização da previsão de seus valores de receita e gastos. Devido às incertezas e mudanças externas e internas no estado carioca, a previsão desse valor coletado possui característica de não-linearidade, sendo necessário a aplicação de modelos não lineares que possam considerar essas mudanças nos valores arrecadados ao longo do tempo. Por conseguinte, o trabalho aqui descrito visa utilizar modelos de Redes Neurais Recorrentes Long Short-Term Memory (LSTM) e comparar as abordagens Multivariate Multi-step e Univariate Multi-step, na tentativa de gerar uma previsão anual da arrecadação tributária do estado superior à de outras abordagens, podendo ser utilizados como parâmetros para a tomada de decisões das autoridades governamentais.","PeriodicalId":165095,"journal":{"name":"Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022)","volume":"72 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-11-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"126338721","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 0
A Temporal Approach to Customer Churn Prediction: A Case Study for Financial Services 客户流失预测的时间方法:金融服务的案例研究
Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022) Pub Date : 2022-11-28 DOI: 10.5753/eniac.2022.227571
Marcus Almeida, M. Mota, Wellington Souza, Marcos Nicolau, E. Luz, G. Moreira
{"title":"A Temporal Approach to Customer Churn Prediction: A Case Study for Financial Services","authors":"Marcus Almeida, M. Mota, Wellington Souza, Marcos Nicolau, E. Luz, G. Moreira","doi":"10.5753/eniac.2022.227571","DOIUrl":"https://doi.org/10.5753/eniac.2022.227571","url":null,"abstract":"Modelos de previsão de desligamento de clientes visam detectar clientes com alta probabilidade de cancelamento do contrato, com base no uso dos serviços oferecidos. Propomos uma abordagem temporal para a etapa de rotulagem, baseada na redução da frequência de uso dos serviços, por meio do comportamento de cada cliente. Também propomos uma arquitetura de rede neural temporal para a tarefa. A abordagem foi avaliada em um conjunto de dados reais, fornecido por uma empresa brasileira do setor financeiro. A rede neural convolucional temporal alcançou uma acurácia de 82, 63%, uma sensibilidade de 61, 5% e uma precisão de 41, 58%, superando outros classificadores tradicionais (XG-Boost e Floresta Aleatória).","PeriodicalId":165095,"journal":{"name":"Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022)","volume":"5 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-11-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"128042341","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 0
Spatial Distribution Analysis of Images in GAN Training with Small Datasets 小数据集GAN训练中图像空间分布分析
Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022) Pub Date : 2022-11-28 DOI: 10.5753/eniac.2022.227413
Lucas F. Buzuti, T. Heiderich, C.E.P. Thomaz
{"title":"Spatial Distribution Analysis of Images in GAN Training with Small Datasets","authors":"Lucas F. Buzuti, T. Heiderich, C.E.P. Thomaz","doi":"10.5753/eniac.2022.227413","DOIUrl":"https://doi.org/10.5753/eniac.2022.227413","url":null,"abstract":"Redes Adversárias Generativas (GANs) estão sendo cada vez mais usadas para gerar artificialmente vários tipos de dados. O treinamento dessas redes requer um conjunto de dados suficientemente grande e se torna um desafio com pequenos conjuntos. Trabalhos recentes propuseram novas abordagens para o treinamento de GANs com poucas amostras. Este trabalho analisa a distribuição espacial dos dados reais e sintéticos desses conjuntos, construindo subespaços de forma aleatória e variando o nível de espalhamento. Para variar o nível de espalhamento, este trabalho propõe o algoritmo k-Amostras Esparsas. Os resultados mostraram que pequenos conjuntos com uma distribuição espacial mais espalhada tendem a gerar dados com mais diversidade.","PeriodicalId":165095,"journal":{"name":"Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022)","volume":"17 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-11-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"131367489","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 0
Justiça nas previsões de modelos de Aprendizado de Máquina: um estudo de caso com dados de reincidência criminal 机器学习模型预测中的正义:犯罪再犯数据案例研究
Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022) Pub Date : 2022-11-28 DOI: 10.5753/eniac.2022.227610
Ronaldo Lopes Inocêncio Júnior, L. Silveira, Victor Castro Nacif de Faria, Ana Carolina Lorena
{"title":"Justiça nas previsões de modelos de Aprendizado de Máquina: um estudo de caso com dados de reincidência criminal","authors":"Ronaldo Lopes Inocêncio Júnior, L. Silveira, Victor Castro Nacif de Faria, Ana Carolina Lorena","doi":"10.5753/eniac.2022.227610","DOIUrl":"https://doi.org/10.5753/eniac.2022.227610","url":null,"abstract":"O uso de técnicas de Ciência de Dados e Inteligência Artificial permeia diversas áreas críticas hoje em dia. Isso inclui a lei e justiça, onde alguns modelos de decisão baseados em dados dão suporte para determinar o risco de reincidência de condenados. Este artigo analisa os dados de reincidência criminal do conjunto de dados COMPAS com técnicas de Aprendizado de Máquina. Esse conjunto de dados contém dados de criminosos nos EUA e seu risco de reincidência. Especificamente, focamos na justiça das decisões dos modelos gerados a partir desses dados em relação ao atributo de etnia dos indivíduos. Como o viés racial foi encontrado dentro do conjunto de dados como uma consequência da assimetria deste atributo em relação à variável alvo, também experimentamos um balanceamento simples do conjunto de dados em relação ao atributo etnia.","PeriodicalId":165095,"journal":{"name":"Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022)","volume":"42 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-11-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"124834324","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 0
Surrogate Methods Applied to Hyperparameter Optimization Problem 代理方法在超参数优化问题中的应用
Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022) Pub Date : 2022-11-28 DOI: 10.5753/eniac.2022.227594
José Ilmar Cruz Freire Neto, André Britto
{"title":"Surrogate Methods Applied to Hyperparameter Optimization Problem","authors":"José Ilmar Cruz Freire Neto, André Britto","doi":"10.5753/eniac.2022.227594","DOIUrl":"https://doi.org/10.5753/eniac.2022.227594","url":null,"abstract":"Hyperparameters affects the performance of machine learning models. Hyperparameter optimization is an area that aims to find the best of them, but it deals with a considerable number of machine learning training, which can be slow. Thus, surrogates can be used to soften this slow process. This paper evaluates the performance of two surrogate methods, M1 and MARSAOP, applied to hyperparameter optimization. The surrogates are confronted with six hyperparameter optimization algorithms from the literature for classification and regression problems. Results indicate that the surrogate methods are faster than the traditional algorithms.","PeriodicalId":165095,"journal":{"name":"Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022)","volume":"70 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-11-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"121288954","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 0
How many Convolutional Layers are required for a Granite Classification Neural Network? 一个花岗岩分类神经网络需要多少个卷积层?
Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022) Pub Date : 2022-11-28 DOI: 10.5753/eniac.2022.227624
Eduardo Henrique Próspero Souza, K. S. Komati
{"title":"How many Convolutional Layers are required for a Granite Classification Neural Network?","authors":"Eduardo Henrique Próspero Souza, K. S. Komati","doi":"10.5753/eniac.2022.227624","DOIUrl":"https://doi.org/10.5753/eniac.2022.227624","url":null,"abstract":"O objetivo deste artigo é analisar o resultado da acurácia de classificação de tipos de granito, de acordo com a variação da quantidade de camadas convolucionais de uma CNN. A partir de uma arquitetura padrão de CNN, varia-se apenas a quantidade de camadas convolucionais, iniciando com 2 camadas até 10 camadas, incrementando uma camada a cada experimento. Foi usada uma base de dados pública, a Rock Image Datasets. Ao final, a arquitetura com 5 camadas convolucionais foi a que alcançou os melhores resultados, chegando a 99% de acurácia.","PeriodicalId":165095,"journal":{"name":"Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022)","volume":"108 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-11-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"122331516","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 0
Classification of Irregularity Communications in Public Ombudsmen Using Supervised Learning Algorithms 基于监督学习算法的公共监察员不规范通信分类
Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022) Pub Date : 2022-11-28 DOI: 10.5753/eniac.2022.227178
Fábio Cordeiro, R. A. L. Rabelo, R. Moura
{"title":"Classification of Irregularity Communications in Public Ombudsmen Using Supervised Learning Algorithms","authors":"Fábio Cordeiro, R. A. L. Rabelo, R. Moura","doi":"10.5753/eniac.2022.227178","DOIUrl":"https://doi.org/10.5753/eniac.2022.227178","url":null,"abstract":"O objetivo deste trabalho é avaliar modelos de Aprendizado de Máquina (AM) na tarefa de classificação de comunicados de irregularidades em Ouvidorias Públicas de Tribunais de Contas. De maneira geral, pretendese contribuir de forma efetiva para melhorar a triagem desses comunicados, possibilitando maior celeridade na resposta ao cidadão. Devido ao desbalanceamento do dataset original, foram aplicadas técnicas de redimensionamento de dados antes da etapa de treinamento dos modelos. Algoritmos clássicos de Machine Learning (Naive Bayes, Decision Tree, Random Forest, K Nearest Neighbor e Support Vector Machine) foram comparados com o modelo de Deep Learning Bidirectional Encoder Representations from Transformers (BERT) e variações de representação dos textos com Word Embeddings. Os melhores resultados foram obtidos pelo modelo BERT com o dataset redimensionado, atingindo 96% na métrica F1-Score.","PeriodicalId":165095,"journal":{"name":"Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022)","volume":"17 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-11-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"129792635","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 1
Previsão do tempo de evacuação e recomendação de estratégias de resgate em cenários de evacuação horizontal com evacuadores enfraquecidos 疏散天气预报及疏散人员弱化水平疏散情景下的救援策略建议
Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022) Pub Date : 2022-11-28 DOI: 10.5753/eniac.2022.227591
Raimundo Juracy Campos Ferro Junior, G. A. L. Campos
{"title":"Previsão do tempo de evacuação e recomendação de estratégias de resgate em cenários de evacuação horizontal com evacuadores enfraquecidos","authors":"Raimundo Juracy Campos Ferro Junior, G. A. L. Campos","doi":"10.5753/eniac.2022.227591","DOIUrl":"https://doi.org/10.5753/eniac.2022.227591","url":null,"abstract":"Um dos desafios no contexto do estudo de processos de evacuação e situações de resgate é a falta de estudos e ferramentas que contemplem evacuantes dependentes ou a possibilidade de simular diferentes estratégias de resgate. Este trabalho visa preencher essa lacuna. Propondo uma arquitetura baseada em agentes que pode produzir dados, treinar algoritmos de regressão para fazer previsões sobre cenários de evacuação horizontal com evacuantes dependentes e propor estratégias de resgate. Os algoritmos de árvore de decisão e rede perceptron multicamadas apresentaram o melhor resultado para a regressão do tempo de evacuação e o modelo de floresta-aleatória conseguiu atingir uma acurácia de 92% ao classificar os cenários com base na estratégia mais adequada para a equipe de resgate.","PeriodicalId":165095,"journal":{"name":"Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022)","volume":"14 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-11-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"130002599","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 0
A Study on Class Activation Map Methods to Detect Masses in Mammography Images using Weakly Supervised Learning 基于弱监督学习的类激活图方法在乳腺x线影像肿块检测中的应用研究
Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022) Pub Date : 2022-11-28 DOI: 10.5753/eniac.2022.227318
Vicente Sampaio, F. Cordeiro
{"title":"A Study on Class Activation Map Methods to Detect Masses in Mammography Images using Weakly Supervised Learning","authors":"Vicente Sampaio, F. Cordeiro","doi":"10.5753/eniac.2022.227318","DOIUrl":"https://doi.org/10.5753/eniac.2022.227318","url":null,"abstract":"Nos últimos anos, modelos de aprendizado fracamente supervisionado têm auxiliado na detecção de lesões em imagens de mamografia, diminuindo a necessidade de anotações de pixels na imagem. A maioria dos modelos na literatura se baseia no uso de mapas de ativação CAM, não sendo explorado o uso de outros modelos de ativação para detecção em imagens de mamografia. Este trabalho apresenta um estudo do uso de diferentes métodos de mapas de ativação do estado da arte, aplicados para treinamento fracamente supervisionado em imagens de mamografia. Neste estudo, comparamos os métodos CAM, GradCAM, GradCAM++, XGradCAM e LayerCAM, utilizando a rede GMIC para detectar a presença de lesões em imagens de mamografia. A avaliação é feita utilizando a base VinDr-Mammo, utilizando as métricas de Acurácia, TPR, FNR e FPPI. Resultados mostram que o uso de diferentes estratégias de mapas de ativação nas etapas de treino e teste melhoram o resultado do modelo. Com isso, melhoramos os resultados do método GMIC, reduzindo o valor de FPPI e aumentando o valor de TPR.","PeriodicalId":165095,"journal":{"name":"Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022)","volume":"22 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-11-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"126037740","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 0
首页 上一页 下一页 尾页
0
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整，为了账户安全，请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
现在去查看 取消
×
提示
确定
请完成安全验证×
相关产品
×
本文献相关产品
联系我们：info@booksci.cn Book学术提供免费学术资源搜索服务，方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号：604180095
Book学术官方微信