Aprendizado por transferência utilizando a Rede Neural ARTMAP FUZZY

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.

Resumo (inglês)

Most machine learning algorithms are commonly applied under the assumption that the training and test data follow the same statistical distribution. This assumption may not always hold, particularly because many types of data become outdated rapidly. Transfer learning aims to leverage knowledge acquired in a source domain to improve learning in a related target domain, under the premise that, if the domains are indeed related, it is possible to identify which parts of the knowledge extracted from one domain can be reused to train another. In this work, we investigated the potential of the Fuzzy ARTMAP (FAM) neural network to generalize knowledge and perform structural transfer through different transfer strategies (direct and selective). Knowledge was transferred from a source domain to two targets: one containing real data and another synthetic target generated by shifting the real target. The source domain comprises a dataset for occupancy counting in an environment, and the real target comprises a dataset for occupancy detection; both were obtained from sensor data with multiple types of environmental variables. Experimental results indicate that, within the proposed methodology, FAM performs transfer effectively and remains robust under different magnitudes of distribution shift, albeit with a considerable increase in the number of categories created to cluster prototypes in the target domains. Moreover, among the transfer strategies evaluated, selective strategies with respect to the matrixWa were found to be more advantageous according to all analysis criteria considered.

Palavras-chave

Aprendizado por transferência ARTMAP Fuzzy Adaptação de domínio Dados de sensores Detecção de ocupação Transfer-learning Fuzzy ARTMAP Domain-adaptation Sensor data Occupancy detection

Idioma

Português

Citação

VILELA, Danieli Biagi. Aprendizado por transferência utilizando a rede neural ARTMAP Fuzzy. 2026. 87 f. Tese (Doutorado em Engenharia Elétrica) - Faculdade de Engenharia, Universidade Estadual Paulista - UNESP, Ilha Solteira, 2026.