A Smoothing Optimization Approach Applied to the Supervised MDS Method

Authors

Keywords:

Supervised Classification, Hyperbolic Smoothing, Bipartite ranking, Nonlinear Optimization

Abstract

This paper presents an efficient approach to the Supervised MDS method. This method handles the problems of
data visualization, supervised classification and bipartite ranking. In order to overcome the non-differentiable nature of the Supervised MDS method, the mathematical formulation proposed in this work is based on the hyperbolic smoothing technique. The performance of the algorithm is evaluated by computational experiments. The results show that the proposed methodology presented, in most cases, better results than the results available
in the literature.

Downloads

Download data is not yet available.

Author Biographies

VINICIUS LAYTER XAVIER, Professor, Universidade do Estado do Rio de Janeiro

Vinicius Layter Xavier Possui graduação em Estatística (2008) pela Universidade do Estado do Rio de
Janeiro e Mestrado (2012) e Doutorado (2016) em Engenharia de Sistemas pela Universidade Federal
do Rio de Janeiro. Atualmente é professor efetivo do Departamento de Estatística da Universidade do
Estado do Rio de Janeiro. Possui experiência em Record Linkage, Clustering, Classificação Supervisionada, Otimização e Métodos de Redução de dimensionalidade.

Nelson Maculan, Professor, Universidade Federal do Rio de Janeiro

Possui graduação em Engenharia de Minas e Metalurgia pela Universidade Federal de Ouro Preto (1965), mestrado (D.E.A.) Matemática Estatística - Universite de Paris VI (Pierre et Marie Curie) (1967), doutorado em Engenharia de Produção pela Universidade Federal do Rio de Janeiro (1975) e Diplôme d’Habilitation à Diriger
des Recherches (H.D.R) en Sciences de la Gestion (1988), Université Paris-Dauphine (Paris IX). Atualmente é Professor Emérito da Universidade Federal do Rio de Janeiro. Tem experiência na área de
Ciência da Computação, com ênfase em Matemática da Computação, atuando principalmente nos seguintes temas: otimização combinatória, programação inteira, programação linear, geração de colunas e otimização global.

José Francisco Moreira Pessanha, Professor, Universidade do Estado do Rio de Janeiro

José Francisco Moreira Pessanha é bacharel em Estatística pela Escola Nacional de Ciências Estatísticas (ENCE) em 1992 e engenheiro eletricista formado pela Universidade do Estado do Rio de
Janeiro (UERJ) em 1994. Obteve o grau de M.Sc. em Engenharia Elétrica pela Universidade Federal do
Rio de Janeiro (COPPE/UFRJ) em 1999 e D.Sc pela Pontifícia Universidade Católica do Rio de Janeiro
(PUC-Rio) em 2006. Dr. Pessanha é pesquisador do Centro de Pesquisas de Energia Elétrica (CEPEL) e
professor adjunto do curso de graduação em estatística do Instituto de Matemática e Estatística da UERJ. Em 2016 realizou pós doutorado no INESC TEC, Porto. Tem experiência na aplicação de métodos
estatísticos e de otimização em sistemas elétricos de potência, em especial em previsão de carga, previsão probabilística da geração eólica, confiabilidade de sistemas elétricos e tarifação de sistemas de distribuição.

Published

2020-05-15

How to Cite

XAVIER, V. L., Maculan, N., & Pessanha, J. F. M. (2020). A Smoothing Optimization Approach Applied to the Supervised MDS Method. IEEE Latin America Transactions, 18(7), 1209–1214. Retrieved from https://latamt.ieeer9.org/index.php/transactions/article/view/1140

Most read articles by the same author(s)