Título: Aprendizado por Transferência em Algoritmos Bioinspirados para Agrupamento: uma Revisão e uma Proposta
Comissão Examinadora - Titulares
Prof. Dr. Leandro Nunes de Castro Silva (Presidente) - FT/Unicamp
Prof. Dr. Marco Antonio Garcia de Carvalho - FT/Unicamp
Prof. Dr. Rodrigo Pasti - PUC/PR
Suplentes
Profa. Dra. Lívia Couto Ruback - FT/Unicamp
Prof. Dr. Rafael Marin Machado de Souza - USP
Local: Local: Sala de Defesa (Prédio da Pós-Graduação da FT) | https://stream.meet.google.com/stream/38239e5b-357c-4544-849c-0ef27c79c073
Resumo: Este estudo explora o uso de Transfer Learning (TL) em machine learning não supervisionado, com foco em tarefas de agrupamento. Modelos de aprendizado não supervisionado, que trabalham com dados não rotulados, visam descobrir padrões e agrupar dados com base em similaridades. TL, que alavanca o conhecimento de modelos pré-treinados em um domínio de origem, pode melhorar o desempenho de algoritmos de agrupamento em domínios de destino, especialmente quando os dados são limitados ou de baixa qualidade. O artigo apresenta TRUNC (Transfer Learning-Based Unsupervised Network for Data Clustering), um algoritmo bioinspirado projetado para aprimorar o agrupamento integrando o aprendizado de transferência baseado em protótipo (PBTL). Essa técnica usa clusters de um domínio de origem para auxiliar no agrupamento de dados em um domínio de destino. O modelo TRUNC é uma rede neural feedforward de camada única com uma abordagem do tipo "o vencedor leva tudo", desenvolvida especificamente para tarefas de agrupamento. A eficácia do algoritmo foi testada em conjuntos de dados sintéticos e do mundo real. Os resultados mostram que o TRUNC supera significativamente os métodos tradicionais de agrupamento em termos de precisão, informações mútuas normalizadas e pontuações do Rand Index. Em particular, o TRUNC demonstrou tempos de convergência mais rápidos, mantendo desempenho competitivo em dados do mundo real. O artigo também discute a sensibilidade do parâmetro de aprendizagem de transferência (λ) e fornece avaliações detalhadas para demonstrar a robustez e a capacidade de generalização do TRUNC. Pesquisas futuras visam explorar a integração do TRUNC com outros algoritmos bioinspirados e otimizar o parâmetro de aprendizagem de transferência λ para melhor adaptabilidade em diversos conjuntos de dados. No geral, o estudo confirma que incorporar TL em tarefas de agrupamento não supervisionadas oferece uma abordagem promissora para melhorar a eficiência e a precisão em modelos de aprendizagem de máquina.