EVENTO
Coevolução aplicada à construção de modelos de Aprendizado de Máquina
Tipo de evento: Defesa de Tese de Doutorado
Aprendizado de máquina automatizado (Auto-ML) é um campo de pesquisa em crescimento e recebendo grande atenção atualmente.Múltiplas técnicas têm sido desenvolvidas visando aprimorar o processo de automação para construção de pipelines de aprendizado demáquina, utilizando diversos tipos de abordagem e com algum sucesso, mas o problema ainda está distante de ser considerado comoresolvido.Muito desta dificuldade se deve ao custo computacional do processo, dado que a avaliação de uma única solução de aprendizado demáquina pode ser custosa por si só. Como a construção de uma boa solução envolve a avaliação de diversas configurações, fica evidente anecessidade de técnicas eficientes na exploração desse complexo espaço de busca.Ainda, ensembles combinações de modelos individuais em um super modelo são frequentemente empregados em aprendizado demáquina dada sua maior capacidade preditiva e robustez quando comparados à utilização de modelos individuais. Entretanto, até omomento, não foi dada muita atenção aos mesmos no contexto de Auto-ML.Neste sentido, este trabalho apresenta o Auto-CVE (Automated Coevolutionary Voting Ensemble), uma nova abordagem para Auto-ML.Baseada no processo de evolução algorítmica, tal ferramenta divide a construção de modelos baseados em ensembles em dois processos: i)a busca por bons componentes a serem utilizados em ensembles e ii) a busca por formas de se combinar os componentes encontrados emensembles. Consegue-se assim um processo eficiente de exploração do espaço de busca, podendo um único modelo ser testado em diversascomposições de ensembles evitando repetitivas etapas de treinamento.Como uma segunda contribuição, foi proposta a amostragem dinâmica, uma metodologia de avaliação de modelos que se baseia nautilização de holdout. A principal alteração em relação à utilização usual de holdout está em ser concebida como um processo geracional,modificando iterativamente os conjuntos de treinamento e teste, de forma a renovar as avaliações obtidas periodicamente e evitar que oprocesso de busca se guie por muito tempo por uma avaliação incorreta.Comparado a duas populares técnicas de Auto-ML, o Auto-CVE atinge resultados competitivos tanto em tempo computacional quantocapacidade preditiva. Além disso, o uso da amostragem dinâmica no Auto-CVE acentua tal observação, sendo igual ou superior à utilizaçãode validação cruzada em ambos os aspectos.Para assistir acesse: https://meet.google.com/iih-dazu-dpy
Data Início: 27/06/2022 Hora: 09:30 Data Fim: 27/06/2022 Hora: 12:00
Local: LNCC - Laboratório Nacional de Computação Ciêntifica - Videoconferência
Aluno: Celio Henrique Nogueira Larcher junior - - LNCC
Orientador: Helio José Corrêa Barbosa - Laboratório Nacional de Computação Científica - LNCC/MCTI
Participante Banca Examinadora: André da Motta Salles Barreto - GOOGLE - Fábio Lima Custódio - Laboratório Nacional de Computação Científica - LNCC Frederico Gadelha Guimarães - UFMG - UFMG Gisele Pappa - - UFMG Helio José Corrêa Barbosa - Laboratório Nacional de Computação Científica - LNCC/MCTI Laurent Emmanuel Dardenne - Laboratório Nacional de Computação Científica - LNCC Nelson Francisco Favilla Ebecken - Universidade Federal do Rio de Janeiro - COPPE/UFRJ
Suplente Banca Examinadora: Gilson Antônio Giraldi - Laboratório Nacional de Computação Científica - LNCC
