| Processo: | 23/02680-0 |
| Modalidade de apoio: | Bolsas no Brasil - Mestrado |
| Data de Início da vigência: | 01 de abril de 2023 |
| Data de Término da vigência: | 30 de abril de 2025 |
| Área de conhecimento: | Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação |
| Pesquisador responsável: | Diego Furtado Silva |
| Beneficiário: | José Gilberto Barbosa de Medeiros Júnior |
| Instituição Sede: | Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil |
| Vinculado ao auxílio: | 22/03176-1 - Aprendizado de máquina para séries temporais em aplicações de mHealth, AP.PNGP.PI |
| Bolsa(s) vinculada(s): | 23/11775-5 - Convolução cruzada para tarefas com séries temporais multivariadas, BE.EP.MS |
| Assunto(s): | Aprendizado computacional |
| Palavra(s)-Chave do Pesquisador: | Aprendizado de Máquina | mHealth | Aprendizado de Máquina |
Resumo Um dos limitadores para a ampla utilização de tecnologias de mHealth é a heterogeneidade entre dispositivos e de um usuário para outro. Em outras palavras, diferentes dispositivos podem conter diferenças no sinal obtido, que podem ocorrer, por exemplo, por conta de diferenças na sensibilidade à luz ambiente e artefatos em decorrência de interferências de outros componentes do dispositivo. Mesmo que sutis, essas diferenças podem causar prejuízos significativos no desempenho de um modelo. Uma solução para este problema seria realizar uma nova coleta de dados de treinamento para o novbo dispositivo e treinar uma nova rede neural. Porém, essa é uma tarefa muito custosa, em especial pela etapa de coleta e rotulação dos dados. No caso de modelos de redes neurais profundas, o treinamento usualmente requer um grande volume de dados anotados para se alcançar um bom desempenho. Alternativamente, é possível treinar uma rede com um grande volume de dados coletados em um determinado dispositivo e utilizar essa rede como ponto de partida para um modelo que possa ser utilizado para um segundo dispositivo. Nesse caso, basta haver um número pequeno de exemplos representativos coletados no segundo dispositivo e treinar a rede neural por mais algumas épocas, processo conhecido como refinamento. Essa estratégia é um exemplo de transferência de aprendizado. Apesar de ter demonstrado bons resultados em diversos domínios, a transferência de aprendizado, como descrita, não é escalável para o contexto de mHealth. A cada novo modelo de dispositivo que possa ser utilizado em aplicações de mHealth, novos modelos preditivos teriam que ser treinados e, para isso, novas coletas e anotações de dados realizadas. Nesse cenário, este trabalho propõe a adaptação e criação de técnicas de transferência de aprendizado não supervisada. No esquema geral da transferência de aprendizado, é comum considerar que o novo conjunto de dados é rotulado. Em nossa proposta, para que essa estratégia seja facilmente extensível para qualquer dispositivo, esse conjunto de dados não possui rótulos. O desafio, nesse caso, é a criação ou adaptação de uma estratégia de transferência que não dependa de anotações para os novos dados. Para o melhor de nosso conhecimento, além de haver poucas propostas como essa na literatura, nenhuma se aplicou a séries temporais. Assim, esta atividade poderá contribuir com a área de Aprendizado de Máquina para séries temporais na totalidade, além do domínio específico da Saúde. | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |