Estudo do cálculo paralelo das métricas trustworthiness e continuity para uso em tempo real
Resumo
Em consequência da abundante geração de dados na internet, a necessidade de extrair informações também cresceu e ferramentas que auxiliassem essa análise são essenciais. As técnicas de Projeção Multidimensional são recursos que auxiliam na análise dos dados. As mesmas possibilitam ao usuário fazer uma análise visual dos dados. Existem varias métricas para avaliar a qualidade de uma projeção gerada. Um dos problemas de utilização dessas métricas é seu alto custo computacional. Neste trabalho foi escolhido a técnica de projeção LAMP e as métricas Trustworthiness e Continuity. Foram obtidos resultados promissores em ambos algoritmos paralelizados em uma comparação com os algoritmos não paralelos.Referências
(2020). Numpy reference — numpy v1.19 manual.
(2020). Writing cuda kernels — numba for cuda.
(2021). Domo data never sleeps 9.0.
Caruana, R., Joachims, T., and Backstrom, L. (2004). KDD-Cup 2004: results and analysis. ACM SIGKDD Explorations Newsletter, 6(2):95–108.
Dua, D. and Graff, C. (2017). UCI machine learning repository.
Joia, P., Coimbra, D., Cuminato, J. A., Paulovich, F. V., and Nonato, L. G. (2011). Local affine multidimensional projection. IEEE Transactions on Visualization and Computer Graphics, 17:2563–2571.
Mateus Espadoto, Rafael M. Martins, A. K. N. S. T. H. and Telea, A. C. (2019). Toward a quantitative survey of dimension reduction techniques. IEEE transactions on visualization and computer graphics, 27(3):2153–2173.
Nonato, L. G. and Aupetit, M. (2018). Multidimensional projection for visual analytics: Linking techniques with distortions, tasks, and layout enrichment. IEEE Transactions on Visualization and Computer Graphics, 25(8):2650–2673.
Paulovich, F. V., Eler, D. M., Poco, J., Botha, C. P., Minghim, R., and Nonato, L. G. (2011). Piece wise laplacian-based projection for interactive data exploration and organization. Computer Graphics Forum, 30(3):1091–1100.
Whalen, D. and Norman, M. L. (2008). Competition data set and description. 2008 IEEE Visualization Design Contest.
(2020). Writing cuda kernels — numba for cuda.
(2021). Domo data never sleeps 9.0.
Caruana, R., Joachims, T., and Backstrom, L. (2004). KDD-Cup 2004: results and analysis. ACM SIGKDD Explorations Newsletter, 6(2):95–108.
Dua, D. and Graff, C. (2017). UCI machine learning repository.
Joia, P., Coimbra, D., Cuminato, J. A., Paulovich, F. V., and Nonato, L. G. (2011). Local affine multidimensional projection. IEEE Transactions on Visualization and Computer Graphics, 17:2563–2571.
Mateus Espadoto, Rafael M. Martins, A. K. N. S. T. H. and Telea, A. C. (2019). Toward a quantitative survey of dimension reduction techniques. IEEE transactions on visualization and computer graphics, 27(3):2153–2173.
Nonato, L. G. and Aupetit, M. (2018). Multidimensional projection for visual analytics: Linking techniques with distortions, tasks, and layout enrichment. IEEE Transactions on Visualization and Computer Graphics, 25(8):2650–2673.
Paulovich, F. V., Eler, D. M., Poco, J., Botha, C. P., Minghim, R., and Nonato, L. G. (2011). Piece wise laplacian-based projection for interactive data exploration and organization. Computer Graphics Forum, 30(3):1091–1100.
Whalen, D. and Norman, M. L. (2008). Competition data set and description. 2008 IEEE Visualization Design Contest.
Publicado
25/10/2021
Como Citar
SILVA, Anderson da Conceição da; NEVES, Tácito Trindade de Araújo Tiburtino.
Estudo do cálculo paralelo das métricas trustworthiness e continuity para uso em tempo real. In: ESCOLA REGIONAL DE COMPUTAÇÃO BAHIA, ALAGOAS E SERGIPE (ERBASE), 21. , 2021, Maceió.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 81-86.
DOI: https://doi.org/10.5753/erbase.2021.20060.
