Fecha límite para el envío de resumenes: 21/Abril/2024

Aplicação de DOE (Design of Experiments) na Otimização de Hiperparâmetros em Modelos de Machine Learning para Clusterização

Área temática: Tópicos em engenharia mecânica (Inteligência Artificial)
Palavras-chave: Otimização de hiperparâmetros, Machine Learning, Clusterização, Design of Experiments.
1 Resumo
A otimização de hiperparâmetros em modelos de Machine Learning (ML) para problemas de clusterização é crucial para a obtenção de resultados precisos e significativos [1]. A seleção inadequada de hiperparâmetros pode comprometer a identificação de padrões e estruturas nos dados, limitando a interpretabilidade e a confiabilidade da análise [2].
A abordagem tradicional de ajuste manual de hiperparâmetros é ineficiente e limitada, especialmente em modelos de alta complexidade e dimensionalidade [3]. O Design of Experiments (DOE) surge como uma alternativa promissora para otimização de hiperparâmetros de forma sistemática e eficiente [4].
1.1 Qual é o problema abordado no trabalho e por que ele é interessante?
A otimização de hiperparâmetros em modelos de Machine Learning (ML) para problemas de clusterização é crucial para a obtenção de resultados precisos e significativos. A seleção inadequada de hiperparâmetros pode comprometer a identificação de padrões e estruturas nos dados, limitando a interpretabilidade e a confiabilidade da análise.
A abordagem tradicional de ajuste manual de hiperparâmetros é ineficiente e limitada, especialmente em modelos de alta complexidade e dimensionalidade [1]. O Design of Experiments (DOE) consiste no planejamento de experimentos fornecendo um template homoscedástico de distribuição das variáveis experimentais [5]. Com isso, o DOE permite explorar o espaço de busca dos hiperparâmetros de forma estruturada, identificar as interações entre eles e determinar as melhores combinações para otimizar o desempenho dos modelos de clusterização.
1.2 Qual é a principal contribuição do trabalho, os resultados fundamentais obtidos e sua novidade em relação a outros trabalhos recentes existentes?
Este trabalho propõe uma abordagem inovadora para otimização de hiperparâmetros em modelos de ML para clusterização utilizando o DOE. A principal contribuição reside na investigação sistemática da aplicação do DOE para diferentes algoritmos de clusterização e cenários reais, avaliando sua eficiência em comparação com outras técnicas.
1.3 Descreva brevemente o método utilizado.
A metodologia de pesquisa consiste em seis etapas: Seleção de algoritmos de clusterização: K-means, K-medoids e DBSCAN. Definição de hiperparâmetros: número de clusters, distância entre clusters, métrica de dissimilaridade e outros parâmetros específicos de cada algoritmo. Planejamento de experimentos: criação de experimentos utilizando técnicas de DOE como superfície de resposta, CCD (Central Composite Design) e Taguchi. Execução de experimentos: aplicação dos algoritmos de clusterização com diferentes configurações de hiperparâmetros em conjuntos de dados reais. Análise de resultados: avaliação da qualidade dos resultados de clusterização através de métricas como Silhouette Coefficient, Dunn Index e Calinski-Harabasz Index. Comparação de técnicas: comparação da eficiência do DOE com outras técnicas de otimização de hiperparâmetros.
Referências
1. Balestrassi, P. P. et al. Design of experiments on neural network’s training for nonlinear time series forecasting. Neurocomputing, v. 69, n. 13-15, p. 1608-1615, 2006.
2. Srinivas, B.; et al. ClustDOE: A Design of Experiments Framework for Hyperparameter Tuning in Clustering. Knowledge-Based Systems, v. 167, p. 167-180, 2019.
3, Paiva, A.; et al. Design of Experiments for Hyperparameter Tuning in Machine Learning Algorithms. In: 2018 IEEE Congress on Evolutionary Computation (CEC).
4. Pontes, R. V. et al. Design of experiments and focused grid search for neural network parameter optimization. Neurocomputing, v. 173, p. 2006-2016, 2016.
5. Montgomery, Douglas C. Design and Analysis of Experiments. Hoboken: John Wiley & Sons, 2017.

es_ES
Area de Usuario

Regístrate con tu correo y contraseña para acceder al panel de usuario y ser parte del CIBIM.

Si ya estás registrado, ingresa con tu correo y contraseña.