Aprendizado por transferência utilizando a Rede Neural ARTMAP FUZZY

• Ano de defesa: 2026
• Autor(a) principal: Vilela, Danieli Biagi [UNESP]
• Orientador(a): Lotufo, Anna Diva Plasencia [UNESP]
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Aprendizado por transferência; ARTMAP Fuzzy; Adaptação de domínio; Dados de sensores; Detecção de ocupação
• Palavras-chave em Inglês: Transfer-learning; Fuzzy ARTMAP; Domain-adaptation; Sensor data; Occupancy detection
• Link de acesso: https://hdl.handle.net/11449/320755

A maioria dos algoritmos de aprendizado de máquina são utilizados sob a suposição de que os dados de treinamento e teste possuem a mesma distribuição estatística. Essa suposição pode nem sempre estar correta, principalmente porque muitos tipos de dados se tornam desatualizados rapidamente. O aprendizado por transferência tem por objetivo utilizar o conhecimento adquirido em um domínio de origem para melhorar o aprendizado de um domínio de destino relacionado, sob a suposição de que se são realmente relacionados, pode-se descobrir quais partes do conhecimento extraído de um domínio podem ser utilizadas para treinar outro. Neste trabalho foi testado o potencial da rede ARTMAP Fuzzy (FAM) para generalizar o conhecimento e executar transferência estrutural, a partir de diferentes estratégias de transferências (diretas e seletivas). Foi transferido conhecimento de um domínio de origem para dois alvos, um com dados reais e outro sintético gerado a partir do deslocamento do primeiro. O domínio de origem é um banco de dados para contagem de ocupação de um ambiente e o alvo real é um banco de dados para detecção da ocupação, ambos obtidos a partir de dados de sensores, com vários tipos de variáveis ambientais. Com os resultados experimentais, foi possível concluir que, na metodologia proposta, a rede FAM executa adequadamente a transferência e mantêm a robustez no aprendizado frente a diferentes intensidades de deslocamento, elevando consideravelmente o número de categorias criadas para agrupar os protótipos dos domínios alvo. E, por meio dos diferentes tipos de estratégia de transferência testadas, foi possível obervar que estratégias seletivas em relação a matriz Wa são mais vantajosas, considerando todos os critérios de análise de resultados analisados.