Título - Seleção de Características Usando Algoritmos Bioinspirados em Aprendizagem Multimodal para Bases Sintéticas
Comissão Examinadora - Titulares
Prof. Dr. Leandro Nunes de Castro Silva - FT/Unicamp
Prof. Dr. Marco Antonio Garcia de Carvalho- FT/Unicamp
Prof. Dr. Rodrigo Pasti - PUC
Suplentes
Prof. Dr. Celmar Guimaraes da Silva - FT/Unicamp
Prof. Dr. Marcio Biczyk do Amaral - HCUSP
Local: Sala de Defesa (Prédio da Pós-Graduação da FT)
Resumo: Os avanços recentes em ciência de dados tornaram comum a integração de múltiplas fontes de informação, como dados numéricos, imagens, textos e vídeos, conhecidos como dados multimodais. Embora a fusão de diferentes modalidades permita análises mais completas e assertivas, ela também amplifica a dimensionalidade dos dados, expandindo o espaço de busca, potencialmente inserindo ruído e elevando o custo computacional. A seleção de
características, portanto, torna-se uma etapa crítica para produzir modelos analíticos mais enxutos, robustos e interpretáveis. Neste trabalho apresentamos o Synth-Chimera, uma plataforma desenvolvida em Streamlit que gera datasets sintéticos multimodais sob controle rígido de classes, ruído e dimensionalidade, aplica Algoritmo Genético (GA) e Otimização por Enxame de Partículas (PSO) para selecionar subconjuntos de atributos, e utiliza a acurácia de
uma Rede Neural Convolucional (CNN) como função de aptidão. O sistema mantém um cache de avaliações para evitar recomputações e disponibiliza visualizações de convergência e redução dimensional. Os resultados experimentais apresentados confirmam o potencial de algoritmos bioinspirados aliados a avaliadores do tipo redes profundas para seleção de características multimodais, ao mesmo tempo em que apontam limitações e caminhos para pesquisas futuras, como uso de bases reais, heurísticas híbridas e critérios de parada adaptativos.