Destilação de Conhecimento para Modelos de Séries Temporais

• Processo: 24/14856-9
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de outubro de 2024
• Data de Término da vigência: 30 de setembro de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Diego Furtado Silva
• Beneficiário: Adilson Junior Alves Medronha
• 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
• Assunto(s): Aprendizado computacional Redes neurais Análise de séries temporais
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Destilação de Conhecimento | Redes neurais | Séries Temporais | Aprendizado de Máquina

Resumo

Redes neurais profundas demandam alto custo computacional, especialmente em aplicações de mHealth com hardware limitado. O projeto propõe explorar a destilação do conhecimento em tarefas de classificação de séries temporais. Essa técnica envolve transferir o aprendizado de uma rede maior (professor) para uma menor (estudante), que é treinada para reproduzir saídas semelhantes, mas de forma mais eficiente. Essa abordagem ainda é pouco explorada em tarefas de classificação de séries temporais.