Otimização de hiperparâmetros em arquiteturas de aprendizado em profundidade

Resumo

Arquiteturas de aprendizado em profundidade tem sido amplamente estudadas nos últimos anos, dado que a sua filosofia consiste na utilização de uma complexa estrutura hierárquica para o aprendizado e representação de informações, de maneira análoga ao processamento neural humano. Tais arquiteturas consistem em várias etapas, que correspondem, basicamente, em submeter uma imagem (no caso de aplicações voltadas aos estudos na área de visão computacional, por exemplo) a um processo de filtragem utilizando um banco de filtros para posterior extração de informações e amostragem da mesma. Em seguida, essa imagem modificada é então submetida a uma nova camada de operações, iguais às conduzidas na camada anterior. Ao final do processo, obtém-se uma descrição em alta dimensão dessa imagem, sendo esta representação então utilizada em um processo de classificação tradicional. Ocorre que todo este processo requer um grande número de parâmetros (quantidade e tamanho dos filtros, taxa de amostragem e parâmetros inerentes ao processo de classificação, por exemplo), os quais são chamados de hiperparâmetros e são fundamentais para o sucesso do processo de extração, representação e classificação dos dados. Podemos, então, modelar a tarefa de encontrar tais parâmetros como sendo um problema de otimização. Dado que pouco, ou até mesmo nenhum estudo foi ainda realizado nesse sentido utilizando algoritmos de otimização evolucionistas, o presente projeto de pesquisa de pós-doutorado objetiva o emprego e avaliação dessas técnicas no contexto de otimização de hiperparâmetros em arquiteturas de aprendizado em profundidade. Ademais, o projeto de pesquisa objetiva avaliar, também, o classificador por Floresta de Caminhos Ótimos, desenvolvido pelo proponente desta proposta, no âmbito de classificação de dados por meio de aprendizado em profundidade, dado que o mesmo ainda não foi empregado neste contexto. (AU)