Desenvolvimento da técnica programação genética linear probabilística e aplicação em programação Kaizen para aprendizado de máquina supervisionado

• Processo: 16/07095-5
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto
• Data de Início da vigência: 01 de junho de 2016
• Data de Término da vigência: 31 de agosto de 2020
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Márcio Porto Basgalupp
• Beneficiário: Léo Françoso Dal Piccol Sotto
• Instituição Sede: Instituto de Ciência e Tecnologia (ICT). Universidade Federal de São Paulo (UNIFESP). Campus São José dos Campos. São José dos Campos , SP, Brasil
• Bolsa(s) vinculada(s): 18/13202-4 - Desenvolvimento de um algoritmo de programação genética linear usando algoritmos de estimação de distribuição aplicado a aprendizado de máquina supervisionado, BE.EP.DD
• Assunto(s): Mineração de dados Aprendizado computacional Programação genética Linguagem de programação
• Palavra(s)-Chave do Pesquisador: Algoritmos de Estimação de Distribuição | Aprendizado de Máquina | Mineração de Dados | Programação Genética | Programação Genética

Resumo

Programação Genética Linear (PGL) é um tipo de algoritmo capaz de evoluir códigos em linguagens de programação. PGL tem sido aplicada em diversos problemas como aprendizado de máquina, navegação e roteamento. Seu processo de busca estocástica não tem conhecimento para gerar soluções boas nem é capaz de evitar soluções ruins, o que reduz sua eficiência. Neste projeto serão explorados dois aspectos visando reduzir esses problemas: a manipulação da aleatoriedade e a composição de soluções a partir de blocos de código (modularidade). Para o primeiro propõe-se o estudo de modelos de probabilidade condicional para originar a Programação Genética Linear Probabilística (PGLP). Esses modelos podem ser atualizados ao longo das gerações para incorporar conhecimento sobre estruturas que devem ser usadas ou evitadas pelos indivíduos. Para o segundo tópico continuado o estudo da Programação Kaizen (PK), que é uma abordagem que compõe uma solução completa a partir de soluções parciais. Estas podem ser continuamente melhoradas por uma técnica evolutiva, como a PGLP que será desenvolvida neste projeto. Assim, enquanto a PGLP poderá ser usada de maneira independente na resolução dos mesmos tipos de problemas em que se usa PGL, ela também será empregada como uma parte da PK, para problemas de regressão e classificação, com foco na construção de atributos. A PGLP usando modelos probabilísticos, a inclusão de modularidade e o uso com PK são os aspectos originais do trabalho, enquanto que a principal relevância é a aplicação na construção automática de conjuntos de atributos de alta qualidade. (AU)

Publicações científicas

(6)

(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)

DAL PICCOL SOTTO, LEO FRANCOSO; DE MELO, VINICIUS VELOSO; BASGALUPP, MARCIO PORTO. -LGP: an improved version of linear genetic programming evaluated in the Ant Trail problem. KNOWLEDGE AND INFORMATION SYSTEMS, v. 52, n. 2, p. 445-465, AUG 2017. (13/20606-0, 16/07095-5)

SOTTO, LEO FRANCOSO DAL PICCOL; KAUFMANN, PAUL; ATKINSON, TIMOTHY; KALKREUTH, ROMAN; BASGALUPP, MARCIO PORTO. Graph representations in genetic programming. Genetic Programming and Evolvable Machines, v. 22, n. 4, SI, SEP 2021. (16/07095-5)

DE MELO, VINICIUS VELOSO; FAZENDA, ALVARO LUIZ; DAL PICCOL SOTTO, LEO FRANCOSO; IACCA, GIOVANNI; CASTILLO, PA; LAREDO, JLJ; DEVEGA, FF. A MIMD Interpreter for Genetic Programming. APPLICATIONS OF EVOLUTIONARY COMPUTATION, EVOAPPLICATIONS 2020, v. 12104, p. 14-pg., 2020-01-01. (16/07095-5)

SOTTO, LEO FRANCOSO D. P.; KAUFMANN, PAUL; ATKINSON, TIMOTHY; KALKREUTH, ROMAN; BASGALUPP, MARCIO PORTO; ASSOC COMP MACHINERY. A Study on Graph Representations for Genetic Programming. GECCO'20: PROCEEDINGS OF THE 2020 GENETIC AND EVOLUTIONARY COMPUTATION CONFERENCE, v. N/A, p. 9-pg., 2020-01-01. (16/07095-5)

DE MELO, VINICIUS V.; SOTTO, LEO F. D. P.; LEONARDO, MATHEUS M.; FARIA, FABIO A.. Automatic Meta-Feature Engineering for CNN Fusion in Aerial Scene Classification Task. IEEE Geoscience and Remote Sensing Letters, v. 17, n. 9, p. 1652-1656, SEPT 2020. (18/13202-4, 16/07095-5)

SOTTO, LEO FRANCOSO DAL PICCOL; ROTHLAUF, FRANZ; DE MELO, VINICIUS VELOSO; BASGALUPP, MARCIO P.. An Analysis of the Influence of Noneffective Instructions in Linear Genetic Programming. EVOLUTIONARY COMPUTATION, v. 30, n. 1, p. 24-pg., 2022-03-01. (18/13202-4, 16/07095-5)