Return to search

Inferência de contexto para dispositivos móveis utilizando aprendizagem por reforço

Submitted by Kamila Costa (kamilavasconceloscosta@gmail.com) on 2015-06-18T19:47:28Z
No. of bitstreams: 1
Dissertação-Leonardo Lira Guimarães.pdf: 5378144 bytes, checksum: 17c3316e73590efa02a215df4d7e88b6 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2015-07-06T15:14:50Z (GMT) No. of bitstreams: 1
Dissertação-Leonardo Lira Guimarães.pdf: 5378144 bytes, checksum: 17c3316e73590efa02a215df4d7e88b6 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2015-07-06T15:21:38Z (GMT) No. of bitstreams: 1
Dissertação-Leonardo Lira Guimarães.pdf: 5378144 bytes, checksum: 17c3316e73590efa02a215df4d7e88b6 (MD5) / Made available in DSpace on 2015-07-06T15:21:38Z (GMT). No. of bitstreams: 1
Dissertação-Leonardo Lira Guimarães.pdf: 5378144 bytes, checksum: 17c3316e73590efa02a215df4d7e88b6 (MD5)
Previous issue date: 2015-05-25 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Advances in wireless communication and computer hardware technologies have boosted
the popularity of mobile devices. Increasingly, these devices gain new features of
hardware (i.e., sensors and other gadgets) and software (e.g., facial, voice and gestures
recognition) so that the human-computer interaction can occur more naturally.
These features allowed a greater awareness of the environment and the conditions under
which the users are, enabling the development of applications ever more proactive
and sensitive.
A context aware system can modify its behavior according to the inferred context
of the environment. However, erroneous interpretations of the collected data may
induce inappropriate and unwanted actions in applications. Although there is variety
of inference techniques in the literature (e.g., rules, ontologies, that uses supervised
and unsupervised learning), generally, they do not consider whether the inferences
were indeed suitable to the user contexts. Furthermore, most of these techniques uses
static inference models (i.e., they are unable to adjust themselves to changes in the
environment conditions), which represents a limitation of these techniques when applied
to the field of mobile applications.
This work proposes a new context reasoning technique for mobile applications –
called CoRe-RL – which uses reinforcement learning in order that the produced inferences
could be ever more suitable to the user’s contexts. In this technique, learning
occurs in an incremental manner and as the user interacts with the system, allowing
the inference to be adjusted by the rewards (positive reinforcements) and punishments
(negative reinforcements) associated to the inferred contexts. As the contexts are
continuously being learned, the proposed technique also allows a flexible context management
to the applications, which enables new contexts (labels) to be registered and
learned over time. The operation of the technique is divided into two stages – classification
and adaptation. The CoRe-RL uses a modified version of the K nearest neighbors
in the classification stage. The learning (adaptation) stage is based on examples, but
also makes adjustments on the models (features ranking) which weigh the most relevant
xv
features of each context in the classification stage.
In order to validate and evaluate the proposed technique, it was developed, as
a case study of this work, an application that implements all of the functionality and
capabilities of CoRe-RL. Through this application, practical experiments for evaluating
the classification and adaptation were executed in two specific scenarios: there was a
single context in the first scenario; and in the second, there were three. Through the
practical experiments, it was observed that, in accordance to the cutting threshold
used, it is possible to obtain good performances in the classification even with a small
base and with a slightly adjusted ranking. Furthermore, it was demonstrated that
the CoRe-RL improves its performance, converging to the optimal performance, in
accordance to the occurrence of new interactions. / Os avanços das tecnologias de comunicação sem fio e de hardware impulsionaram a
popularização do uso de dispositivos móveis. Cada vez mais, estes dispositivos ganham
novos recursos de hardware (i.e., sensores e outros gadgets) e software (e.g., reconhecimento
facial, de voz, gestos) a fim de que a interação humano-computador ocorra
de forma mais natural. Esses recursos deram aos dispositivos móveis uma capacidade
maior de percepção do ambiente e das condições nas quais os usuários se encontram,
possibilitando o desenvolvimento de aplicações cada vez mais proativas e sensíveis ao
contexto.
Um sistema sensível ao contexto é capaz de modificar seu comportamento de
acordo com os contextos inferidos do ambiente. Entretanto, interpretações errôneas
dos dados coletados podem induzir ações inapropriadas e indesejadas nas aplicações.
Embora exista uma variedade de técnicas de inferência na literatura (e.g., regras, ontologias,
que utilizam aprendizagem supervisionada e não supervisionada), em geral,
elas não consideram se as inferências foram de fato adequadas para os contextos do
usuário. Além disso, a maioria dessas técnicas utiliza modelos estáticos de inferência
(i.e., que não são capazes de se ajustar à mudanças nas condições do ambiente), o que
representa uma limitação dessas técnicas quando aplicadas ao domínio das aplicações
móveis.
Neste trabalho, é proposta uma nova técnica de inferência de contexto para aplicações
móveis – chamada de CoRe-RL – que utiliza aprendizagem por reforço a fim de
que sejam produzidas inferências cada vez mais adequadas aos contextos do usuário.
Nesta técnica, a aprendizagem ocorre de maneira incremental e conforme o usuário
interage com o sistema, permitindo que a inferência seja ajustada por meio de recompensas
(reforços positivos) e punições (reforços negativos) associadas aos contextos
inferidos. Como os contextos estão continuamente sendo aprendidos, a técnica proposta
também permite às aplicações um gerenciamento flexível de contextos, ou seja,
é possível que novos contextos (rótulos) sejam cadastrados e aprendidos ao longo do
tempo. O funcionamento da técnica é divido em duas etapas – classificação e adapxiii
tação. O CoRe-RL utiliza o método dos K vizinhos mais próximos (modificado) na
classificação. A aprendizagem (adaptação) é baseada em exemplos, mas também faz
ajustes sobre os modelos (ranking de características) que ponderam as características
mais relevantes de cada contexto, na etapa de classificação.
Com o intuito de testar e avaliar o desempenho da técnica proposta, foi desenvolvido,
como estudo de caso deste trabalho, um aplicativo que implementa todas as
funcionalidades e recursos do CoRe-RL. Através deste aplicativo, foram realizados experimentos
práticos de avaliação da classificação e adaptação, em dois cenários específicos:
no primeiro cenário havia um único contexto; e no segundo haviam três. Por meio
dos experimentos práticos, observou-se que, de acordo com o limiar de corte usado, é
possível obter bons desempenhos na classificação mesmo com uma base pequena e com
um ranking pouco ajustado. Além disso, demonstrou-se que o CoRe-RL melhora seu
desempenho, convergindo para o desempenho ótimo, de acordo com a ocorrência das
interações.

Identiferoai:union.ndltd.org:IBICT/oai:http://localhost:tede/4243
Date25 May 2015
CreatorsGuimarães, Leonardo Lira
ContributorsOliveira, Horacio Antonio Braga Fernandes de, Oliveira, Horácio Antonio Braga Fernandes de, Nakamura, Eduardo Freire, Figueiredo, Carlos Maurício Seródio, Pio, José Luiz de Souza
PublisherUniversidade Federal do Amazonas, Programa de Pós-graduação em Informática, UFAM, Brasil, Instituto de Computação
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguageEnglish
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Formatapplication/pdf
Sourcereponame:Biblioteca Digital de Teses e Dissertações da UFAM, instname:Universidade Federal do Amazonas, instacron:UFAM
Rightsinfo:eu-repo/semantics/openAccess
Relation-312656415484870643, 600, 600, 4163267508810754609

Page generated in 0.0032 seconds