-
Notifications
You must be signed in to change notification settings - Fork 0
/
síntese.tex
129 lines (91 loc) · 8.67 KB
/
síntese.tex
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
\documentclass[conference]{IEEEtran}
\usepackage[portuguese]{babel}
\usepackage{cite}
\usepackage{enumitem}
\usepackage{graphicx}
\usepackage[hyphens]{url}
\usepackage[hidelinks,pdfusetitle]{hyperref}
\usepackage{xcolor}
\usepackage{siunitx}
\usepackage{textcmds}
\usepackage{tikz}
\usepackage[utf8]{inputenc}
\usepackage[T1]{fontenc}
\hypersetup{
breaklinks=true,
pdfauthor={Diogo Medeiros}
}
\urlstyle{same}
\newcommand{\BibTeX}{{\textrm{B} \kern-.05em{\textsc{i} \kern-.025em b}\kern-.08em
T\kern-.1667em\lower.7ex\hbox{E}\kern-.125emX}}
\begin{document}
\title{Otimização de Redes Neuronais Utilizando Algoritmos de Inspiração Biológica}
\author{\IEEEauthorblockN{Diogo Medeiros}
\IEEEauthorblockA{\textit{Escola de Ciências e Tecnologia} \\
\textit{Universidade de Trás-os-Montes e Alto Douro}\\
Vila Real, Portugal \\
al70633@alunos.utad.pt}
}
\maketitle
\begin{abstract}
Este artigo apresenta um resumo abrangente das abordagens utilizadas para otimizar diversos aspetos das redes neuronais (NNs), incluindo a arquitetura, os pesos e outros parâmetros.
São revistos os principais conceitos e técnicas de cada algoritmo biologicamente inspirado, destacando as suas vantagens, desafios e aplicações específicas no problema em questão.
É destacada a importância dessas abordagens no avanço da eficiência e eficácia das redes numa variedade de domínios.
\end{abstract}
\begin{IEEEkeywords}
otimização de redes, redes neuronais, algoritmos genéticos, algoritmos evolutivos, meta-heurísticas
\end{IEEEkeywords}
\section{Introdução}\label{sec:intro}
\subsection{Contexto}\label{subsec:contexto}
As redes neuronais artificiais (ANNs) são modelos computacionais que têm como objetivo imitar o funcionamento do cérebro humano, com a capacidade de aprender e generalizar a partir de dados.
São amplamente utilizadas em diversas áreas, como reconhecimento de padrões, classificação, previsão e processamento de imagens.
No entanto, a eficácia das ANNs depende da escolha adequada dos parâmetros, como o número de camadas ocultas, o número de neurónios em cada camada, a taxa de aprendizagem, entre outros.
A seleção manual desses parâmetros é uma tarefa difícil e muitas vezes subjetiva, o que pode levar a resultados insatisfatórios.
Assim, a otimização de ANNs tornou-se um problema relevante e desafiador na área de Machine Learning (ML).
\subsection{Objetivos}\label{subsec:objetivos}
O objetivo deste trabalho é realizar uma revisão da literatura sobre a otimização de parâmetros de ANNs por meio de algoritmos de inspiração biológica, destacando as suas vantagens e limitações.
A otimização dos parâmetros é uma etapa crucial para obter resultados satisfatórios em problemas de aprendizagem de máquina.
Os algoritmos de inspiração biológica surgem como uma alternativa eficiente e promissora para encontrar soluções ótimas ou sub-ótimas em espaços de alta dimensionalidade.
Em suma, este trabalho visa apresentar uma visão abrangente do estado atual da pesquisa em otimização de parâmetros de ANNs utilizando algoritmos de inspiração biológica, com o intuito de contribuir para o avanço nessa área e identificar possíveis direções para futuros estudos.
\section{Fundamentação teórica}\label{sec:fundamentacao}
As Redes Neuronais Artificiais são modelos computacionais inspirados no funcionamento do cérebro humano, compostos por unidades de processamento, chamadas neurónios, responsáveis por receber entradas, processar informação e gerar saídas.
As ANNs utilizam conexões sinápticas ajustáveis para aprender com os dados de entrada~\cite{Lippmann1988AnNets}.
Essas redes possuem a capacidade de aprender por meio de exemplos e generalizar esse conhecimento para novos dados.
Por essa razão, elas são amplamente utilizadas em diversas áreas, como reconhecimento de padrões, classificação, previsão, processamento de imagens, entre outras~\cite{Jain1996ArtificialTutorial}.
A introdução e a popularização das ANNs ocorreram na década de 1980, impulsionadas por estudos pioneiros, como os de Lippmann (1988)~\cite{Lippmann1988AnNets} e Jain (1996)~\cite{Jain1996ArtificialTutorial}.
Atualmente, as ANNs são consideradas ferramentas fundamentais para ML e inteligência artificial, com inúmeras aplicações práticas em saúde, finanças, indústria e outros setores.
O campo de Machine Learning consiste no estudo de métodos para ensinar computadores a aprender.
Existem categorias gerais de problemas em que é difícil ou impossível para os programadores projetarem e implementarem o software necessário.
Essas categorias incluem:
\begin{enumerate}
\item problemas em que não há especialistas disponíveis para fornecer conhecimento suficiente para construir um sistema computacional;
\item problemas em que especialistas existem, mas são incapazes de explicar a sua experiência;
\item problemas em que os fenómenos mudam rapidamente, exigindo aprendizagem constante e adaptação;
\item aplicações que precisam ser personalizadas para cada utilizador separadamente~\cite{Mitchell1996}.
\end{enumerate}
Os algoritmos de inspiração biológica consistem em meta-heurísticas baseadas na inteligência coletiva, em sistemas biológicos, físicos e químicos.
Dependendo da fonte de inspiração, podem ser classificados como algoritmos baseados em inteligência coletiva, bioinspirados, baseados em física ou baseados em química~\cite{Fister2013AOptimization}.
Embora nem todos sejam igualmente eficientes, alguns desses algoritmos têm se mostrado altamente eficazes e se tornaram ferramentas populares para resolver problemas do mundo real, como o problema abordado nesta síntese.
\section{Algoritmos de Inspiração Biológica}\label{sec:algoritmos}
\input{algoritmos}
\section{Aplicações e Desafios}\label{sec:aplicacoes}
\input{aplicações-e-desafios}
\section{Considerações Finais}\label{sec:conclusao}
As redes neuronais artificiais (ANNs) são modelos computacionais que têm como objetivo imitar o funcionamento do cérebro humano.
Elas são amplamente utilizadas em várias áreas, como reconhecimento de padrões, classificação, previsão e processamento de imagens.
A sua eficácia depende da escolha adequada dos parâmetros, como o número de camadas ocultas, número de neurónios em cada camada e taxa de aprendizagem.
A seleção manual desses parâmetros pode ser difícil e subjetiva, levando a resultados insatisfatórios.
A otimização de ANNs tornou-se um problema relevante e desafiador na área de Aprendizagem Automática.
Os algoritmos de inspiração biológica surgem como uma alternativa eficiente para encontrar soluções ótimas ou sub-ótimas em espaços de alta dimensionalidade, onde encontrar a solução ótima é computacionalmente inviável.
Os algoritmos evolutivos, como o EPNet~\cite{Yao1997ANetworks} e o E-ELM~\cite{Zhu2005EvolutionaryMachine}, permitem a descoberta de comportamentos e topologias complexas que seriam excluídas por métodos convencionais.
Eles podem evoluir a estrutura e os pesos das ANNs, resultando em redes mais eficientes e capazes de generalização.
Os Algoritmos Genéticos (GAs) apresentam diversas vantagens em relação a outros métodos de otimização.
Uma das principais vantagens é a sua capacidade de explorar eficientemente espaços de pesquisa complexos, especialmente quando há múltiplos parâmetros ou restrições envolvidos.
Além disso, os GAs são altamente adaptáveis e podem ser aplicados numa ampla variedade de problemas de otimização, desde a seleção de recursos em redes de comunicação à otimização de parâmetros em algoritmos de ML. Essas características tornam os GAs uma ferramenta poderosa e flexível para resolver problemas de otimização em diferentes domínios.
Em suma, a otimização de parâmetros de ANNs por meio de algoritmos de inspiração biológica apresenta vantagens significativas em relação aos métodos convencionais.
Essas abordagens permitem a descoberta de soluções eficientes e sub-ótimas em espaços de alta dimensionalidade, melhorando o desempenho e a capacidade de generalização das redes neuronais.
No entanto, ainda há desafios a serem superados para tornar esses métodos mais eficazes e acessíveis numa variedade de aplicações práticas.
O estudo contínuo nessa área pode levar a avanços adicionais e identificar novas direções de pesquisa para o futuro.
\bibliographystyle{IEEEtran}
\bibliography{referências}
\end{document}