Auto RNA: desenvolvimento automático de redes neurais artificiais utilizando algoritmos genéticos.

• Ano de defesa: 2025
• Autor(a) principal: Itano, Fernando
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Algoritmos genéticos; Artificial neural networks; AutoML; Convolutional neural networks; Fully connected neural networks; Genetic algorithms; Hyperparameter optimization; LSTM; Otimização de hiperparâmetros; Redes neurais artificiais
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3142/tde-08082025-102430/

As Redes Neurais Artificiais (RNAs), com sua reconhecida capacidade de aprender e adaptar-se a dados não lineares e de alta dimensionalidade, têm impulsionado uma revolução tecnológica em diversas áreas, desde a detecção de fraudes em sistemas financeiros até o reconhecimento de padrões em imagens e a criação de modelos generativos para aprimorar a interação humano-máquina, como exemplificado pelo serviço ChatGPT oferecido pela empresa OpenAI e o Gemini do Google. No entanto, o desempenho ótimo das RNAs depende crucialmente da definição adequada de seus hiperparâmetros, um processo que ainda é frequentemente realizado de forma manual ou empírica, limitando o potencial dessas redes. Neste contexto, este trabalho propõe um método diferenciado para o desenvolvimento automático de RNAs dos tipos convolucional (CNN Convolutional Neural Networks), recorrentes LSTM (Long-short term memory) e totalmente conectadas (FCNN Fully connected neural networks) utilizando algoritmos genéticos (AG) com uma representação cromossômica híbrida e considerando uma gama mais ampla de hiperparâmetros no processo evolutivo em comparação com métodos existentes. O método proposto visa não apenas facilitar a obtenção de bons resultados de forma automática, mas também permitir a personalização de suas configurações por especialistas em RNAs, potencializando ainda mais seu desempenho. Os resultados demonstram que o método apresentado desenvolveu RNAs com desempenho superior ao de métodos similares, obtendo reduções de até 87% no RMSE (Root Mean Squared Error). As análises de correlação demonstraram que a relevância dos hiperparâmetros varia entre os conjuntos de dados. Ainda assim, o otimizador manteve-se consistente como fator relevante em todos eles. Por fim, a exploração das configurações do AG mostrou que os valores das probabilidades de combinação e mutação definidas inicialmente foram as que produziram os melhores resultados. Por outro lado, a redução no tamanho da população produziu melhores resultados em dois dos quatro conjuntos de dados analisados.