Optimizing data augmentation to improve al model performance

• Autor(a) principal: Silva, Henrique Matheus Ferreira da
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: eng
• Título da fonte: Biblioteca Digital de Teses e Dissertações do LNCC
• Texto Completo: https://tede.lncc.br/handle/tede/344
• topic: Data Augmentation; Small data; Algoritmos (Computação); Redes neurais (Computação); Aprendizado por computador; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO

A acurácia dos algoritmos de classificação baseados em Aprendizado de Máquina (ML) é altamente dependente da qualidade do conjunto de dados de treinamento. No entanto, um entrave na área de pesquisa é classificação, pois a distribuição de exemplos pode variar amplamente e classes específicas podem ser fortemente sub-representadas (como medicamentos específicos do paciente); assim como os dados de treinamento podem ser escassos (como classificação de espécies de plantas), resultando em conjuntos de dados não balanceados. Em ambos os cenários, esse aspecto pode resultar na baixa eficiência do modelo. As Técnicas de Aumento de Dados tentam mitigar esses problemas, expandindo os dados de treinamento disponíveis, para assim aumentar o desempenho dos modelos. No presente estudo, apresentamos duas novas técnicas para aumento de dados tabulares. Apresentamos, primeiramente, um método denominado SAGAD (Synthetic Data Generator for Tabular Datasets), baseado no conceito de entropia condicional. O SAGAD pode equilibrar classes minoritárias; permitindo o aumento do tamanho geral do conjunto de treinamento. Em seguida é apresentada uma extensão do SAGAD para algoritmos de aprendizagem iterativa, denominada DABEL (Data Genetarion Based on Complexity per Classes), que produz novas amostras de dados de treinamento, com base na ambiguidade da classe. Para validar nossa proposta, simulamos um cenário de poucos dados.A avaliação do SAGAD foi feita usando quatro diferentes algoritmos de aprendizado de máquina. Já o DABEL foi avalaliado a partir de uma rede neural. Também foram realizadas comparações entre outras técnicas de geração de dados e o SAGAD. O SAGAD está implementado e disponível via AugmenteR (S. Pereira; ferreira da silva; A.M Porto, 2021), que é um pacote R no CRAN para aumento de dados e que, atualmente, tem mais de 2200 downloads.