Busca avançada
Ano de início
Entree

Combinações de modelos de Volterra de posto unitário

Processo: 19/21858-0
Linha de fomento:Bolsas no Brasil - Doutorado
Vigência (Início): 01 de janeiro de 2021
Vigência (Término): 30 de novembro de 2023
Área do conhecimento:Engenharias - Engenharia Elétrica - Telecomunicações
Pesquisador responsável:Vitor Heloiz Nascimento
Beneficiário:Carlos Augusto Prete Junior
Instituição-sede: Escola Politécnica (EP). Universidade de São Paulo (USP). São Paulo , SP, Brasil
Assunto(s):Filtragem adaptativa   Predição   Processamento de sinais   Redes neurais (computação)   Aprendizagem profunda   Equações de Volterra

Resumo

Algoritmos de aprendizado de modelos não lineares têm recebido muita atenção nos últimos anos, especialmente devido ao sucesso de redes neurais profundas (\emph{deep neural networks}) em diversas aplicações, como reconhecimento de voz e imagem. Redes neurais e modelos de Volterra são duas abordagens distintas para aprendizado de funções não lineares que geralmente requerem um grande número de parâmetros em problemas reais. Modelos de Volterra decomponíveis (\emph{Decomposable Volterra Models} - DVMs) é uma abordagem recente que reduz o número de termos dos modelos de Volterra restringindo os termos da série de Volterra a tensores de posto unitário. Apesar de um DVM só conseguir aproximar um conjunto restrito de funções não lineares com exatidão, utilizá-lo implica uma grande redução de complexidade quando comparado a modelos de Volterra sem restrições. Melhorar a capacidade de representação de um único DVM usando modelos de Volterra de posto maior não é trivial porque o espaço-imagem de modelos de Volterra com posto r é em geral um conjunto aberto quando r > 1, e a fronteira é um conjunto de medida não nula. Assim, a melhor aproximação de posto r para modelos de Volterra de posto maior pode não existir se r > 1. Neste projeto, propõe-se utilizar combinações série e paralelo de DVMs para aproximar funções não lineares cujos termos da série de Volterra têm posto arbitrário, evitando o problema mencionado acima. Além de desenvolver algoritmos de aprendizado de baixa complexidade para combinações de DVMs, serão criadas versões distribuídas e/ou paralelas destes algoritmos. Os algoritmos desenvolvidos serão comparados com modelos de Volterra de baixa complexidade já existentes, redes neurais e com o modelo de Volterra completo. Além disso, os novos métodos serão testados em problemas práticos, em particular dados de predição de evolução de surtos de doenças tropicais, em colaboração com o projeto CADDE (FAPESP/Reino Unido).

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

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)
FARIA, NUNO R.; MELLAN, THOMAS A.; WHITTAKER, CHARLES; CLARO, INGRA M.; CANDIDO, DARLAN DA S.; MISHRA, SWAPNIL; CRISPIM, MYUKI A. E.; SALES, FLAVIA C.; HAWRYLUK, IWONA; MCCRONE, JOHN T.; HULSWIT, RUBEN J. G.; FRANCO, LUCAS A. M.; RAMUNDO, MARIANA S.; DE JESUS, JAQUELINE G.; ANDRADE, PAMELA S.; COLETTI, THAIS M.; FERREIRA, GIULIA M.; SILVA, CAMILA A. M.; MANULI, ERIKA R.; PEREIRA, RAFAEL H. M.; PEIXOTO, PEDRO S.; KRAEMER, MORITZ U.; GABURO, JR., NELSON; CAMILO, CECILIA DA C.; HOELTGEBAUM, HENRIQUE; SOUZA, WILLIAM M.; ROCHA, ESMENIA C.; DE SOUZA, LEANDRO M.; DE PINHO, MARIANA C.; ARAUJO, LEONARDO J. T.; MALTA, V, FREDERICO S.; DE LIMA, ALINE B.; SILVA, JOICE DO P.; ZAULI, DANIELLE A. G.; FERREIRA, ALESSANDRO C. DE S.; SCHNEKENBERG, RICARDO P.; LAYDON, DANIEL J.; WALKER, PATRICK G. T.; SCHLUETER, HANNAH M.; DOS SANTOS, ANA L. P.; VIDAL, MARIA S.; DEL CARO, VALENTINA S.; FILHO, ROSINALDO M. F.; DOS SANTOS, HELEM M.; AGUIAR, RENATO S.; PROENCA-MODENA, JOSE L. P.; NELSON, BRUCE; HAY, JAMES A.; MONOD, MELODIE; MISCOURIDOU, XENIA; COUPLAND, HELEN; SONABEND, RAPHAEL; VOLLMER, MICHAELA; GANDY, AXEL; PRETE, JR., CARLOS A.; NASCIMENTO, VITOR H.; SUCHARD, MARC A.; BOWDEN, THOMAS A.; POND, SERGEI L. K.; WU, CHIEH-HSI; RATMANN, OLIVER; FERGUSON, NEIL M.; DYE, CHRISTOPHER; LOMAN, NICK J.; LEMEY, PHILIPPE; RAMBAUT, ANDREW; FRAIJI, NELSON A.; CARVALHO, MARIA DO P. S. S.; PYBUS, OLIVER G.; FLAXMAN, SETH; BHATT, SAMIR; SABINO, ESTER C. Genomics and epidemiology of the P.1 SARS-CoV-2 lineage in Manaus, Brazil. Science, v. 372, n. 6544, p. 815+, MAY 21 2021. Citações Web of Science: 90.

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