Otimização multiobjetivo em aprendizado multitarefa

Resumo

Este projeto de pesquisa em nível de doutorado propõe duas novas perspectivas de solução para aprendizado multitarefa. Na literatura, geralmente são definidos a priori fatores aditivos ou multiplicativos que estabelecem as inter-relações existentes entre processos de aprendizado monotarefa, de modo que o seu tratamento conjunto promova ganho de desempenho. Na proposta deste projeto, por sua vez, a decisão de como explorar conjuntamente múltiplos processos de aprendizado monotarefa é tomada apenas após a obtenção de diversas soluções eficientes, que representam compromissos alternativos (ou seja, configurações alternativas dos fatores aditivos ou multiplicativos mencionados acima) entre os processos de aprendizado monotarefa. Com isso, o tomador de decisão vai poder escolher o melhor compromisso após se familiarizar melhor com as inter-relações existentes entre os processos de aprendizado monotarefa ou então vai optar por um comitê de máquinas, ou seja, por um ensemble de soluções eficientes. Esse tratamento multiobjetivo para aprendizado multitarefa é inédito e opera em três fases: (1) Formalização dos múltiplos objetivos, cada qual associado a um processo de aprendizado monotarefa; (2) Emprego de técnicas de otimização multiobjetivo para a obtenção de um elenco diverso de soluções eficientes, cada qual representando um compromisso distinto entre os processos de aprendizado monotarefa; (3.1) Escolha do melhor compromisso de acordo com a preferência do tomador de decisão; ou (3.2) Adoção de uma abordagem de ensemble, com a agregação de múltiplas soluções de compromisso. A proposta desta tese pode ser implementada junto a vários tipos de problema de aprendizado de máquina, incluindo regressão e classificação. Os casos de estudo a serem considerados devem apontar os benefícios advindos da abordagem multiobjetivo, assim como estabelecer comparações de desempenho com outras propostas de aprendizado multitarefa existentes na literatura. (AU)