Divulgação - Defesa Nº 242

Aluna: Ericks da Silva Rodrigues

Título: "Engenharia Automática e Auto-Organizável de Características de Dados em Aprendizado de Máquina”

Orientador: Fernando Buarque de Lima Neto (PPGEC)

Corientador: Denis Mayr Lima Martins (WWU-Münster - Alemanha)

Examinador Externo : José Alfredo F. Costa - Doutor - (UFRN)

Examinador Interno : Cleyton Mário de O. Rodrigues (PPGEC)

Data-hora: 06/Setembro/2021 (16:00h) - PM
Local: Formato Remoto (meet.google.com/qoh-hjdg-mbp)


Resumo:

Feature Engineering é o processo de construção de novas características a partir de dados existentes. Por ser um processo que necessita de especialistas de domínio e de engenharia de dados, torna-se um processo custoso. Para mitigar estas dificuldades, surgiu um campo de pesquisa denominado Automatic Feature Engineering. Esta área de pesquisa busca, através de operações matemáticas e técnicas de Machine Learning, automatizar esse processo. Este trabalho apresenta uma abordagem de Automatic Feature Engineering que utiliza conceitos de auto-organização, auto adaptação e treinamento cooperativo para gerar novas Features. Para geração destas Features, foi proposta a utilização de uma amostra da base de dados para treinamento de um Self-Organizing Map com a finalidade de identificar similaridades e particularidades entre os dados a partir dos conceitos de aprendizagem e auto organização. Após este treinamento, novas Features são geradas através do relacionamento entre as Features originais e os pesos (ou sinapses) provenientes deste treinamento. Para construção de Features que se adaptem ao modelo de Machine Learning final, também foi realizado um treinamento cooperativo entre uma Rede Neural simples (Adaline utilizando aprendizado por reforço) e este modelo final, onde a Rede Neural fornece Features com o objetivo de aprimorar o modelo objetivo. Com isto, são geradas Features com as características aprendidas nestes componentes que podem aprimorar os resultados dos modelos de classificação. Para investigar as configurações os modelos responsáveis pera geração das novas Features com mais aptidão, foi desenvolvido um algoritmo de Estratégia de Evolução focado em auto adaptação. Este algoritmo atua diretamente na definição dos hiperparâmetros dos modelos, os aprimorando no decorrer de cada geração baseando-se nos resultados obtidos, obtendo-se, portanto, um modelo mais flexível a diversas bases de dados e modelos. Os resultados obtidos são comparáveis com outras técnicas propostas e com a auto adaptação foi capaz de se atingir mais consistência e algumas novidades de características. Trabalhos futuros possíveis são: refinamentos em desempenho e em seu treinamento cooperativo que não apresentam uma efetividade satisfatória.

Go to top Menu