Uso de meta-aprendizado para ajuste de parâmetros em problemas de classificação

• Processo: 12/23114-9
• Linha de fomento: Bolsas no Brasil - Doutorado
• Vigência (Início): 01 de setembro de 2013
• Vigência (Término): 31 de maio de 2018
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: André Carlos Ponce de Leon Ferreira de Carvalho
• Beneficiário: Rafael Gomes Mantovani
• Instituição-sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Bolsa(s) vinculada(s): 15/03986-0 - Uso de Meta-aprendizado para melhoria de algoritmos de deep learning em problemas de classificação, BE.EP.DR
• Assunto(s): Aprendizado computacional Aprendizagem profunda Classificação de dados

Resumo

Atualmente, uma das principais tarefas em que Aprendizado de Máquina (AM) tem sido utilizado é a classificação de dados, tarefa que envolve atribuir a um padrão desconhecido uma entre várias classes conhecidas. Em AM, a classificação de padrões é uma instância de aprendizado supervisionado e pode ser modelado por uma gama de algoritmos como: Redes Neurais Artificiais (RNA), Máquinas de Suporte Vetorial (SMV), Árvores de Decisão (DT), Deep Learning (DL), entre outros. Além disso, muitas vezes os valores de parâmetros utilizados em tais modelos contribuem diretamente no desempenho da tarefa de classificação dos dados, e otimizar a configuração de tais parâmetros pode melhorar muito o desempenho destes algoritmos. Recentemente, conceitos de meta-aprendizagem tem sido utilizados para escolherconfigurações adequadas de conjuntos de parâmetros para algoritmos de AM. O uso de meta-aprendizagem em conjunto com técnicas de otimização tem mostrado resultados promissores. Para lidar com a seleção automatizada, propõe-se nesse projeto, investigar a aplicação de meta-aprendizado tanto na seleção de algoritmos de otimização como seus conjuntos de parâmetros para classificadores. O objetivo geral é obter um melhor desempenho, em termos de acurácia e custo computacional, detécnicas e algoritmos usados em problemas de classificação.

Publicações científicas

(4)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

AGUIAR, GABRIEL JONAS; MANTOVANI, RAFAEL GOMES; MASTELINI, SAULO M.; DE CARVALHO, ANDRE C. P. F. L.; CAMPOS, GABRIEL F. C.; BARBON JUNIOR, SYLVIO. A meta-learning approach for selecting image segmentation algorithm. PATTERN RECOGNITION LETTERS, v. 128, p. 480-487, DEC 1 2019. Citações Web of Science: 0.

MANTOVANI, RAFAEL G.; ROSSI, ANDRE L. D.; ALCOBACA, EDESIO; VANSCHOREN, JOAQUIN; DE CARVALHO, ANDRE C. P. L. F. A meta-learning recommender system for hyperparameter tuning: Predicting when tuning improves SVM classifiers. INFORMATION SCIENCES, v. 501, p. 193-221, OCT 2019. Citações Web of Science: 0.

CENTINI CAMPOS, GABRIEL FILLIPE; MASTELINI, SAULO MARTIELLO; AGUIAR, GABRIEL JONAS; MANTOVANI, RAFAEL GOMES; DE MELO, LEONIMER FLAVIO; BARBON, JR., SYLVIO. Machine learning hyperparameter selection for Contrast Limited Adaptive Histogram Equalization. EURASIP JOURNAL ON IMAGE AND VIDEO PROCESSING, MAY 6 2019. Citações Web of Science: 1.

BARBON, ANA PAULA A. C.; BARBON, JR., SYLVIO; MANTOVANI, RAFAEL GOMES; FUZYI, ESTEFANIA MAYUMI; PERES, LOUISE MANHA; BRIDI, ANA MARIA. Storage time prediction of pork by Computational Intelligence. COMPUTERS AND ELECTRONICS IN AGRICULTURE, v. 127, p. 368-375, SEP 2016. Citações Web of Science: 12.

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

MANTOVANI, Rafael Gomes. Uso de meta-aprendizado para o ajuste de hiper-parâmetros em problemas de classificação. 2018. Tese de Doutorado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação São Carlos.