Exploring multiobjective training in multiclass cl... - BV FAPESP
Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Exploring multiobjective training in multiclass classification

Texto completo
Autor(es):
Raimundo, Marcos M. [1] ; Drumond, Thalita F. [1] ; Marques, Alan Caio R. [1] ; Lyra, Christiano [1] ; Rocha, Anderson [2] ; Von Zuben, Fernando J. [1]
Número total de Autores: 6
Afiliação do(s) autor(es):
[1] Univ Campinas UNICAMP, Sch Elect & Comp Engn, Av Albert Einstein 400, BR-13083852 Campinas, SP - Brazil
[2] Univ Campinas UNICAMP, Inst Comp, Av Albert Einstein 1251, BR-13083852 Campinas, SP - Brazil
Número total de Afiliações: 2
Tipo de documento: Artigo Científico
Fonte: Neurocomputing; v. 435, p. 307-320, MAY 7 2021.
Citações Web of Science: 0
Resumo

Multinomial logistic loss and L-2 regularization are often conflicting objectives as more robust regularization leads to restrained multinomial parameters. For many practical problems, leveraging the best of both worlds would be invaluable for better decision-making processes. This research proposes a novel framework to obtain representative and diverse L-2-regularized multinomial models, based on valuable tradeoffs between prediction error and model complexity. The framework relies upon the Non-Inferior Set Estimation (NISE) method - a deterministic multiobjective solver. NISE automatically implements hyperparameter tuning in a multiobjective context. Given the diverse set of efficient learning models, model selection and aggregation of the multiple models in an ensemble framework promote high performance in multiclass classification. Additionally, NISE uses the weighted sum method as scalarization, thus being able to deal with the learning formulation directly. Its deterministic nature and the convexity of the learning problem confer scalability to the proposal. The experiments show competitive performance in various setups, taking a broad set of multiclass classification methods as contenders. (C) 2021 Elsevier B.V. All rights reserved. (AU)

Processo FAPESP: 16/19080-2 - Otimização de detectores de crises epilépticas através de técnicas de aprendizado de máquina
Beneficiário:Fernando dos Santos Beserra
Modalidade de apoio: Bolsas no Brasil - Mestrado
Processo FAPESP: 14/11125-1 - Co-clusterização em comitês de filtros colaborativos
Beneficiário:Thalita Firmo Drumond
Modalidade de apoio: Bolsas no Brasil - Mestrado
Processo FAPESP: 14/13533-0 - Otimização multiobjetivo em aprendizado multitarefa
Beneficiário:Marcos Medeiros Raimundo
Modalidade de apoio: Bolsas no Brasil - Doutorado
Processo FAPESP: 17/12646-3 - Déjà vu: coerência temporal, espacial e de caracterização de dados heterogêneos para análise e interpretação de integridade
Beneficiário:Anderson de Rezende Rocha
Modalidade de apoio: Auxílio à Pesquisa - Temático