Regressão simbólica com restrição de forma da função

• Processo: 21/12706-1
• Modalidade de apoio: Bolsas no Exterior - Pesquisa
• Data de Início da vigência: 01 de junho de 2022
• Data de Término da vigência: 30 de novembro de 2022
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Fabricio Olivetti de França
• Beneficiário: Fabricio Olivetti de França
• Pesquisador Anfitrião: Gabriel Kronberger
• Instituição Sede: Centro de Matemática, Computação e Cognição (CMCC). Universidade Federal do ABC (UFABC). Ministério da Educação (Brasil). Santo André , SP, Brasil
• Instituição Anfitriã: University of Applied Sciences Upper Austria, Áustria
• Assunto(s): Computação evolutiva Análise de regressão Modelagem paramétrica Algoritmos
• Palavra(s)-Chave do Pesquisador: computação evolutiva | Otimização com Restrição | Regressão Simbólica | Regressão Simbólica

Resumo

Análise de regressão é uma ferramenta estatística utilizada com o objetivo de explicar relações entre variáveis mensuráveis. Tal ferramenta é utilizada para a interpolação e extrapolação dos dados, identificar características da relação, dentre outras. As ferramentas comumente utilizadas para essa tarefa são ou a regressão linear, que pré-determina uma relação linear entre as variáveis, e técnicas não-lineares com uma forma fixada, como por exemplo as Redes Neurais. Em alguns casos, faz-se necessário encontrar um modelo de regressão cuja função descritora possua propriedades específicas. Por exemplo, pode ser um requisito que a função seja monótona crescente em relação a um de seus atributos. Essas restrições podem ser necessárias para garantir que o modelo obedeça propriedades observadas na natureza, ou garantir equidade de tratamento, ou até mesmo para garantir a capacidade de extrapolação dos dados. Encontrar modelos paramétricos que atendam essas restrições pode ser desafiador pois trabalhamos com uma função fixa e podemos apenas variar os parâmetros ajustáveis. Os algoritmos de Regressão Simbólica fazem a busca de um modelo no espaço de busca de funções. Por não partir de uma forma de função pré-fixada, essa técnica permite um maior entendimento do sistema de interesse. Além disso, é possível encontrar uma forma de função que possua as propriedades desejadas. Esse projeto de pesquisa tem como principal objetivo explorar a aplicação de restrição de forma de função em algoritmos de regressão simbólica. Até o momento, a colaboração em pesquisa gerou 2 publicações internacionais, uma em revista (Evolutionary Computation) e outra em conferência (NeurIPS), ambas qualis A1, e um terceiro em revisão. (AU)

Publicações científicas

(4)

(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)

HAIDER, C.; DE FRANCA, F. O.; BURLACU, B.; KRONBERGER, G.. Shape-constrained multi-objective genetic programming for symbolic regression. APPLIED SOFT COMPUTING, v. 132, p. 15-pg., 2023-01-01. (21/12706-1)

FERNANDES, MATHEUS CAMPOS; DE FRANCA, FABRICIO OLIVETTI; FRANCESQUINI, EMILIO; PAQUETE, L. HOTGP- Higher-Order Typed Genetic Programming. PROCEEDINGS OF THE 2023 GENETIC AND EVOLUTIONARY COMPUTATION CONFERENCE, GECCO 2023, v. N/A, p. 9-pg., 2023-01-01. (19/26702-8, 21/06867-2, 21/12706-1)

DE FRANCA, FABRICIO OLIVETTI; BUCHBERGER, B; MARIN, M; NEGRU, V; ZAHARIE, D. Symbolic Regression with augmented dataset using RuleFit. 2022 24TH INTERNATIONAL SYMPOSIUM ON SYMBOLIC AND NUMERIC ALGORITHMS FOR SCIENTIFIC COMPUTING, SYNASC, v. N/A, p. 4-pg., 2022-01-01. (21/12706-1)

DE FRANCA, FABRICIO OLIVETTI; BUCHBERGER, B; MARIN, M; NEGRU, V; ZAHARIE, D. Comparison of OLS and NLS to fit Transformation-Interaction-Rational expressions. 2022 24TH INTERNATIONAL SYMPOSIUM ON SYMBOLIC AND NUMERIC ALGORITHMS FOR SCIENTIFIC COMPUTING, SYNASC, v. N/A, p. 4-pg., 2022-01-01. (21/12706-1)