Busca avançada
Ano de início
Entree

Modelo de aprendizado ativo com redes neurais para aplicações de rotulagem custosa

Processo: 21/11058-6
Modalidade de apoio:Bolsas no Brasil - Iniciação Científica
Vigência (Início): 01 de abril de 2022
Vigência (Término): 31 de agosto de 2022
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:Odemir Martinez Bruno
Beneficiário:Gustavo Vieira Jodar
Instituição Sede: Instituto de Física de São Carlos (IFSC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Vinculado ao auxílio:18/22214-6 - Rumo à convergência de tecnologias: de sensores e biossensores à visualização de informação e aprendizado de máquina para análise de dados em diagnóstico clínico, AP.TEM
Assunto(s):Aprendizado computacional   Redes neurais (computação)   Conjunto de dados   Metodologia e técnicas de computação
Palavra(s)-Chave do Pesquisador:active learning | machine learning | neural networks | Aprendizado de máquinas

Resumo

As redes neurais e o aprendizado de máquinas têm se despontado nas últimas décadas, tanto no meio acadêmico quanto industrial. Podem ser encontradas atualmente soluções comerciais que vão desde a medicina com o reconhecimento de imagens de raio-X, até previsões da tomada de decisão de um consumidor para a indústria. Contudo, embora sejam inúmeras as finalidades, o desenvolvimento de modelos precisos é prejudicado pela constante necessidade de rotulagem dos dados de treino, fato que pode ser um gargalo indesejável para diversas aplicações com rotulagem custosa, como por exemplo a classificação de proteínas, classificação de imagens em visão computacional e problemas que envolvem grande conjunto de dados. Deste modo, a área de aprendizado ativo em machine learning introduziu técnicas para diminuir a necessidade de rótulo nos dados de treino, os métodos mais utilizados fazem parte do grupo de Pool-Based Selective Sampling, no qual assume-se que existe um conjunto de dados não rotulados, sendo necessário selecionar amostras específicas desse conjunto, por alguma medida de informatividade, e rotulá-las para o treinamento. Entretanto, existem falhas nas abordagens principais desse grupo e, até as mais complexas, necessitam de rotulagem no conjunto de dados escolhido. O modelo proposto por esse projeto de iniciação científica visa, após um treinamento inicial, imprescindível em qualquer cenário, retirar a necessidade de rotulagem nos dados, utilizando técnicas de redução de dimensionalidade, algoritmos classificadores e redes neurais diversas. Recentemente, o candidato realizou testes preliminares com o modelo proposto em forma simplificada, os quais se mostraram promissores pelos seus resultados e por favorecerem diversos campos de pesquisa se aprofundado o estudo no tema. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)