Título: Aplicação de Máquinas de Aprendizado Extremo ao Problema de Aprendizado Ativo
Autores: Horta, Euler Guimarães; Braga, Antônio Pádua
Resumo: As técnicas de aprendizado ativo têm por objetivo escolher os padrões mais informativos para serem rotulados por um especialista. Em geral essa rotulação tem um custo elevado, o que motiva o estudo de métodos que minimizem o número de rótulos necessários para a construção de modelos. Alguns autores demonstraram que, para classificadores lineares, escolher os padrões mais próximos ao hiperplano separador pode melhorar a capacidade de generalização dos modelos e minimizar o número de rótulos utilizados. Em geral essas abordagens fazem algumas considerações irreais quanto aos dados, exigindo separabilidade linear ou distribuição uniforme dos dados. Além disso, todos os métodos necessitam de um processo de ajuste de parâmetros livres que exige que rótulos sejam reservados para esse fim, aumentando o custo do processo. Neste trabalho será apresentado um novo método de aprendizado ativo para problemas de classificação binária que não faz nenhuma consideração quanto aos dados e que não necessita de nenhum ajuste de parâmetros livres. O algoritmo proposto é baseado em máquinas de aprendizado extremo (Extreme Learning Machines – ELM) e em um novo tipo de perceptron apresentado recentemente na literatura.
Palavras-chave: Aprendizado Ativo; Teorema de Convergência do Perceptron; Extreme Learning Machines
Páginas: 6
Código DOI: 10.21528/CBIC2013-069
Artigo em pdf: bricsccicbic2013_submission_69.pdf
Arquivo BibTex: bricsccicbic2013_submission_69.bib