Aprendizado de máquina via espaços de aprendizado, da teoria para a prática: como a falta de dados pode ser mitigada por alto poder computacional

Resumo

A abordagem clássica de aprendizado de máquina é composta por um espaço de hipótese $\mathcal{H}$, uma amostra $\mathcal{D}_{N}$ e um algoritmo $\mathbb{A}$, que processa $\mathcal{D}_{N}$ e retorna $\hat{h}(\mathbb{A}) = \mathbb{A}(\mathcal{H},\mathcal{D}_{N})$ em $\mathcal{H}$ buscando aproximar a hipótese ótima $h^{\star} \in \mathcal{H}$. Em estudo anterior, foi proposta uma nova abordagem, onde o algoritmo $\mathbb{A}$ é hierárquico, otimizando primeiro uma medida de erro em uma coleção estruturada de espaços de hipóteses candidatos $\mathbb{L}(\mathcal{H}) \in \mathcal{P}(\mathcal{H})$, chamado Espaço de Aprendizado, retornando um $\hat{\mathcal{M}} \in \mathbb{L}(\mathcal{H})$, e depois otimizando uma medida de erro em $\hat{\mathcal{M}}$ para obter $\hat{h}_{\hat{\mathcal{M}}}(\mathbb{A}) \in \hat{\mathcal{M}}$ buscando aproximar $h^{\star}$. Foi demonstrado haver casos em que, com uma mesma amostra $\mathcal{D}_{N}$, o erro $L(\hat{h}_{\hat{\mathcal{M}}}(\mathbb{A}))$ da hipótese aprendida pela abordagem via Espaços de Aprendizado é menor que o erro $L(\hat{h}(\mathbb{A}))$. A nova abordagem requer uma busca combinatória em $\mathbb{L}(\mathcal{H})$ para computar $\hat{\mathcal{M}}$ e, embora hajam condições que implicam a existência de um algoritmo U-curve não-exaustivo, altos recursos computacionais são necessários. Nesse contexto, emerge um novo paradigma, de que a falta de dados pode ser mitigada por alto poder computacional, já que com uma mesma amostra é possível aprender melhor sob o custo de realizar uma busca em $\mathbb{L}(\mathcal{H})$. Este projeto visa sair da teoria sobre Espaços de Aprendizado em direção a prática, convertendo resultados teóricos em métodos para a resolução de problemas práticos, em especial relacionados a sensoriamento remoto em cidades inteligentes, sob o paradigma de mitigar a falta de dados com alto poder computacional. Para tanto, serão tratados problemas de aprendizado de operadores morfológicos, desenvolvimento de algoritmos U-curve para reticulados não-Booleanos, e seleção de arquiteturas em Redes Neurais. (AU)