Defesa de dissertação (23/11/2020): Marcello Alberto Soares Serqueira

Discente: Marcello Alberto Soares Serqueira

Título: HBRKGA: A Population-based Hybrid Approach to Hyperparameter Optimization for Neural Networks

Orientadores: Eduardo Bezerra da Silva (orientador), Pedro Henrique González Silva (co-orientador).

Banca: Eduardo Bezerra da Silva (presidente),  Pedro Henrique González Silva (CEFET/RJ), Diego Brandão (CEFET/RJ), Igor Machado Coelho (UFF).

Dia/hora: 23 de Novembro de 2020, às 14h.

Sala remota: https://meet.google.com/xjd-mbbe-jsr

Resumo: Nos últimos anos, grandes quantidades de dados estão sendo geradas e a necessidade de recursos computacionais continua crescendo. Este cenario levou a um ressurgimento do interesse em redes neurais artificiais. Um dos principais desafios no
treinamento de modelos eficazes de redes neurais e encontrar uma boa combinação de hiperparametros a serem usados. De fato, a escolha de uma abordagem adequada para pesquisar o espaço do hiperparâmetro influencia diretamente a precisão do modelo resultante da rede neural. Abordagens comuns para busca de hiperparâmetros são a Busca em Grade, a Busca Aleatória e Busca por Otimização Bayesiana. Existem também métodos baseados em população, como a CMA-ES. Neste projeto, apresentamos o HBRKGA, uma nova abordagem baseada na população para a optimização de hiperparâmetros. O HBRKGA e uma abordagem híbrida que combina o Algoritmo Genético de Chaves Aleatórias Viciadas com uma técnica de Random-Walk para pesquisar o espaço de hiperparâmetros de forma eficiente. Foram realizados vários experimentos computacionais em oito conjuntos de dados diferentes para avaliar a eficácia da abordagem proposta. Os resultados mostraram que o HBRKGA conseguiu encontrar configurações de hiperparâmetros que superaram (em termos de qualidade preditiva) os métodos de base em seis dos oito conjuntos de dados, mostrando tambem tempo de execução razoável.

Dissertação