Estudo de estratégias neuroevolutivas para treinamento e definição topológica de redes neurais artificiais

• Processo: 20/16456-7
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de maio de 2021
• Data de Término da vigência: 31 de julho de 2022
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Denis Gustavo Fantinato
• Beneficiário: Lucas Fernandes Muniz
• Instituição Sede: Centro de Matemática, Computação e Cognição (CMCC). Universidade Federal do ABC (UFABC). Ministério da Educação (Brasil). Santo André , SP, Brasil
• Bolsa(s) vinculada(s): 21/11723-0 - Estudo de abordagem baseada em neuroevolução para separação cega de fontes não linear, BE.EP.IC
• Assunto(s): Aprendizado computacional Algoritmos genéticos Redes neurais (computação) Otimização topológica Análise qualitativa comparativa (QCA)
• Palavra(s)-Chave do Pesquisador: Algoritmos Geneticos | Neuroevolução | Redes Neurais Artificiais | Aprendizagem de Máquina

Resumo

As Redes Neurais Artificiais (AAN, do inglês Artificial Neural Network) vêm alcançando notável desempenho em diversas aplicações. No contexto do aprendizado supervisionado, tradicionalmente, o treinamento dessas redes é realizado através do algoritmo de retropropagação. No entanto, esse algoritmo possui algumas limitações, dentre as quais ressalta-se sua alta taxa de convergência para soluções locais e a desvantagem de assumir uma topologia fixa para a ANN. Nesse âmbito, surge como promissora alternativa a abordagem chamada Neuroevolução, que considera o treinamento das ANN por meio de algoritmos genéticos, que permitem que não apenas os pesos das ANNs sejam ajustados, mas também sua topologia. Em especial, o método NEAT (do inglês NeuroEvolution of Augmenting Topologies) tem mostrado relevante desempenho em problemas de aprendizado por reforço, o que é geralmente atribuído à sua estratégia de crescimento incremental a partir de uma topologia mínima e o mecanismo de especiação. Entretanto, no contexto do aprendizado supervisionado, o método NEAT ainda carece de uma análise mais aprofundada. Nesse sentido, a proposta desse trabalho é realizar uma análise comparativa sobre o desempenho do algoritmo de retropropagação e o método NEAT. Nesta análise, serão consideradas métricas advindas da Teoria da Informação para aferir de forma mais completa a eficiência das ANNs em termos de complexidade topológica e qualidade da predição final da rede. Além disso, buscaremos melhorar o desempenho do NEAT combinando-o à metaheurística BRKGA e também explorando seu mecanismo de especiação. (AU)