Busca avançada
Ano de início
Entree

Otimização multiobjetivo em aprendizado multitarefa

Processo: 14/13533-0
Linha de fomento:Bolsas no Brasil - Doutorado
Vigência (Início): 01 de setembro de 2014
Vigência (Término): 31 de agosto de 2018
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação
Convênio/Acordo: 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

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
(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.; 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. Citações Web of Science: 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. Citações Web of Science: 3.
Publicações acadêmicas
(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)
RAIMUNDO, Marcos Medeiros. . 2018. Tese de Doutorado - Universidade Estadual de Campinas, Faculdade de Engenharia El?trica e de Computa??o.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.