Título: Aprendizado Incremental de Redes RBF via Agrupamento Evolutivo de Fluxos de Dados
Autores: Thais M. L. Menegaldi, Rodrigo A. Coelho and Cristiano L. Castro.
Resumo:
Em virtude da era do Big Data e dos dispositivos IoT (Internet of Things), onde diversas aplicações presentes no cotidiano das pessoas geram dados a todo momento, surgiu uma demanda por modelos de aprendizado de máquina que são capazes de operar eficientemente em fluxos de dados contínuos. Na literatura há inúmeros algoritmos propostos para esse cenário, entretanto, em sua maioria, tratam-se de modelos de elevada complexidade e que tipicamente requerem o ajuste de diversos hiperparâmetros. O presente trabalho propõe uma maneira simples e eficaz de se definir a topologia da camada escondida da rede neural de base radial, dando a ela a capacidade de aprender incrementalmente. Esta abordagem baseia-se no algoritmo de clusterização evolutiva MicroTeda, tornando possível a atualização da arquitetura da rede à medida que novas amostras de dados são recebidas. Resultados preliminares obtidos sobre bases de dados sintéticas e reais demonstram que a abordagem proposta é promissora mesmo diante de mudanças de conceito (concept drifts) abruptas e graduais.
Palavras-chave:
Agrupamento evolutivo, Aprendizado incremental, Rede neural de função de base radial, Mudança de conceito.
Páginas: 8
Código DOI: 10.21528/CBIC2021-57
Artigo em pdf: CBIC_2021_paper_57.pdf
Arquivo BibTeX: CBIC_2021_57.bib