Integrando um módulo de recomendação de algoritmo no pacote PyISpace

• Processo: 24/16535-5
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
• Data de Início da vigência: 07 de dezembro de 2024
• Data de Término da vigência: 06 de março de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Ana Carolina Lorena
• Beneficiário: Lucas Ribeiro do Rêgo Barros
• Supervisor: Kate Smith-Miles
• Instituição Sede: Divisão de Ciência da Computação (IEC). Instituto Tecnológico de Aeronáutica (ITA). Ministério da Defesa (Brasil). São José dos Campos , SP, Brasil
• Instituição Anfitriã: University of Melbourne, Austrália
• Vinculado à bolsa: 24/07637-9 - Análise de meta dados a partir de repositórios públicos, BP.IC
• Assunto(s): Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Análise do Espaço de Instâncias | Aprendizado de Máquina | Meta-aprendizagem | Recomendação de Algoritmos | Seleção de Algoritmos | Análise de meta dados com machine learning

Resumo

Abordagens de aprendizado de máquina (ML) têm se tornado uma solução amplamente estudada para problemas desafiadores que são difíceis de quantificar ou resolver usando métodos tradicionais. Um dos primeiros desafios na resolução de um problema de ML é determinar qual algoritmo se ajusta melhor ao seu domínio de instância. Como nenhum único algoritmo de ML pode alcançar desempenho ótimo em todos os problemas de classificação, escolher o algoritmo certo requer uma avaliação cuidadosa das características únicas de cada conjunto de dados. Esse tipo de análise, baseada na identificação das características únicas de um conjunto de dados, é fundamental para a abordagem de Meta-Aprendizado (MtL), que investiga como as características de um conjunto de dados se relacionam com o desempenho dos algoritmos de ML. Ao fazer isso, ela fornece mais informações para a seleção do algoritmo mais adequado para um determinado conjunto de dados, ajudando a identificar condições onde técnicas específicas de ML são mais eficazes ou podem ter um desempenho inferior. Para otimizar a seleção de algoritmos, o toolkit Instance Space Analysis (ISA), desenvolvido na Universidade de Melbourne (UNIMELB), oferece uma estrutura poderosa para avaliar o desempenho de muitos algoritmos em uma ampla gama de instâncias de problemas. Ao analisar as meta-características dessas instâncias, o ISA mapeia o desempenho dos algoritmos em um espaço 2D, proporcionando uma compreensão mais intuitiva do comportamento dos algoritmos. Esta proposta de projeto tem como objetivo expandir a implementação atual do ISA integrando o módulo PYTHIA ao pacote PyISpace. O PYTHIA analisará as propriedades estruturais das instâncias, possibilitando a predição e recomendação automatizada de algoritmos. Espera-se que essa integração aumente a precisão na seleção de algoritmos, agilizando o processo para os usuários e, em última instância, avançando no campo da seleção de algoritmos em aprendizado de máquina. Em parceria com a Universidade de Melbourne, esta proposta BEPE tem como objetivo avançar no desenvolvimento de métodos automatizados para recomendação de algoritmos, otimizando o processo de seleção. (AU)