Otimização multiobjetivo em aprendizado multitarefa

• Processo: 14/13533-0
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de setembro de 2014
• Data de Término da vigência: 31 de agosto de 2018
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Acordo de Cooperação: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
• Pesquisador responsável: Fernando José von Zuben
• Beneficiário: Marcos Medeiros Raimundo
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Assunto(s): Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Aprendizado Multitarefa | Comitê de máquinas | Fator de Compartilhamento | otimização multiobjetivo | Inteligência Artificial

Resumo

Este projeto de pesquisa em nível de doutorado propõe duas novas perspectivas de solução para aprendizado multitarefa. Na literatura, geralmente são definidos a priori fatores aditivos ou multiplicativos que estabelecem as inter-relações existentes entre processos de aprendizado monotarefa, de modo que o seu tratamento conjunto promova ganho de desempenho. Na proposta deste projeto, por sua vez, a decisão de como explorar conjuntamente múltiplos processos de aprendizado monotarefa é tomada apenas após a obtenção de diversas soluções eficientes, que representam compromissos alternativos (ou seja, configurações alternativas dos fatores aditivos ou multiplicativos mencionados acima) entre os processos de aprendizado monotarefa. Com isso, o tomador de decisão vai poder escolher o melhor compromisso após se familiarizar melhor com as inter-relações existentes entre os processos de aprendizado monotarefa ou então vai optar por um comitê de máquinas, ou seja, por um ensemble de soluções eficientes. Esse tratamento multiobjetivo para aprendizado multitarefa é inédito e opera em três fases: (1) Formalização dos múltiplos objetivos, cada qual associado a um processo de aprendizado monotarefa; (2) Emprego de técnicas de otimização multiobjetivo para a obtenção de um elenco diverso de soluções eficientes, cada qual representando um compromisso distinto entre os processos de aprendizado monotarefa; (3.1) Escolha do melhor compromisso de acordo com a preferência do tomador de decisão; ou (3.2) Adoção de uma abordagem de ensemble, com a agregação de múltiplas soluções de compromisso. A proposta desta tese pode ser implementada junto a vários tipos de problema de aprendizado de máquina, incluindo regressão e classificação. Os casos de estudo a serem considerados devem apontar os benefícios advindos da abordagem multiobjetivo, assim como estabelecer comparações de desempenho com outras propostas de aprendizado multitarefa existentes na literatura. (AU)

Publicações científicas

(7)

(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)

RAIMUNDO, MARCOS M.; DRUMOND, THALITA F.; MARQUES, ALAN CAIO R.; LYRA, CHRISTIANO; ROCHA, ANDERSON; VON ZUBEN, FERNANDO J.. Exploring multiobjective training in multiclass classification. Neurocomputing, v. 435, p. 307-320, MAY 7 2021. (16/19080-2, 14/11125-1, 14/13533-0, 17/12646-3)

RAIMUNDO, MARCOS M.; VON ZUBEN, FERNANDO J.; IEEE. Multi-criteria analysis involving Pareto-optimal misclassification tradeoffs on imbalanced datasets. 2020 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), v. N/A, p. 8-pg., 2020-01-01. (14/13533-0)

RAIMUNDO, MARCOS M.; FERREIRA, V, PAULO A.; VON ZUBEN, FERNANDO J.. An extension of the non-inferior set estimation algorithm for many objectives. European Journal of Operational Research, v. 284, n. 1, p. 53-66, JUL 1 2020. (14/13533-0)

BESERRA, FERNANDO S.; RAIMUNDO, MARCOS M.; VON ZUBEN, FERNANDO J.. Ensembles of Multiobjective-Based Classifiers for Detection of Epileptic Seizures. PROGRESS IN PATTERN RECOGNITION, IMAGE ANALYSIS, COMPUTER VISION, AND APPLICATIONS, CIARP 2017, v. 10657, p. 9-pg., 2018-01-01. (16/19080-2, 14/13533-0)

MARQUES, ALAN CAIO R.; RAIMUNDO, MARCOS M.; CAVALHEIRO, ELLEN MARIANNE B.; SALLES, LUIS F. P.; LYRA, CHRISTIANO; VON ZUBEN, FERNANDO J.. Ant genera identification using an ensemble of convolutional neural networks. PLoS One, v. 13, n. 1, JAN 31 2018. (14/13533-0)

RAIMUNDO, MARCOS M.; VON ZUBEN, FERNANDO J.; IEEE. Investigating multiobjective methods in multitask classification. 2018 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), v. N/A, p. 9-pg., 2018-01-01. (14/13533-0)

RAIMUNDO, MARCOS M.; VON ZILBEN, FERNANDO J.. Many-Objective Ensemble-Based Multilabel Classification. PROGRESS IN PATTERN RECOGNITION, IMAGE ANALYSIS, COMPUTER VISION, AND APPLICATIONS, CIARP 2017, v. 10657, p. 9-pg., 2018-01-01. (14/13533-0)

Publicações acadêmicas

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

RAIMUNDO, Marcos Medeiros. Multi-objective optimization in machine learning: Otimização multiobjetivo em aprendizado de máquina. 2018. Tese de Doutorado - Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação Campinas, SP.