Explorations of the semantic learning machine neuroevolution algorithm: dynamic training data use and ensemble construction methods
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10362/99078 |
Resumo: | Dissertation presented as the partial requirement for obtaining a Master’s degree in Data Science and Advanced Analytics |
id |
RCAP_ff9a9914290451d6e8affcc8f3abec57 |
---|---|
oai_identifier_str |
oai:run.unl.pt:10362/99078 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Explorations of the semantic learning machine neuroevolution algorithm: dynamic training data use and ensemble construction methodsSemantic Learning MachineNeuroevolutionEvolutionary Machine LearningArtificial Neural NetworksDeep LearningDissertation presented as the partial requirement for obtaining a Master’s degree in Data Science and Advanced AnalyticsAs the world’s technology evolves, the power to implement new and more efficient algorithms increases but so does the complexity of the problems at hand. Neuroevolution algorithms fit in this context in the sense that they are able to evolve Artificial Neural Networks (ANNs). The recently proposed Neuroevolution algorithm called Semantic Learning Machine (SLM) has the advantage of searching over unimodal error landscapes in any Supervised Learning task where the error is measured as a distance to the known targets. The absence of local optima in the search space results in a more efficient learning when compared to other neuroevolution algorithms. This work studies how different approaches of dynamically using the training data affect the generalization of the SLM algorithm. Results show that these methods can be useful in offering different alternatives to achieve a superior generalization. These approaches are evaluated experimentally in fifteen real-world binary classification data sets. Across these fifteen data sets, results show that the SLM is able to outperform the Multilayer Perceptron (MLP) in 13 out of the 15 considered problems with statistical significance after parameter tuning was applied to both algorithms. Furthermore, this work also considers how different ensemble construction methods such as a simple averaging approach, Bagging and Boosting affect the resulting generalization of the SLM and MLP algorithms. Results suggest that the stochastic nature of the SLM offers enough diversity to the base learner in a way that a simple averaging method can be competitive when compared to more complex techniques like Bagging and Boosting.À medida que a tecnologia evolui, a possibilidade de implementar algoritmos novos e mais eficientes aumenta, no entanto, a complexidade dos problemas com que nos deparamos também se torna maior. Algoritmos de Neuroevolution encaixam-se neste contexto, na medida em que são capazes de evoluir Artificial Neural Networks (ANNs). O algoritmo de Neuroevolution recentemente proposto chamado Semantic Learning Machine (SLM) tem a vantagem de procurar sobre landscapes de erros unimodais em qualquer problema de Supervised Learning, onde o erro é medido como a distância aos alvos conhecidos. A não existência de local optima no espaço de procura resulta numa aprendizagem mais eficiente quando comparada com outros algoritmos de Neuroevolution. Este trabalho estuda como métodos diferentes de uso dinâmico de dados de treino afeta a generalização do algoritmo SLM. Os resultados mostram que estes métodos são úteis a oferecer uma alternativa que atinge uma generalização competitiva. Estes métodos são testados em quinze problemas reais de classificação binária. Nestes quinze problemas, o algoritmo SLM mostra superioridade ao Multilayer Perceptron (MLP) em treze deles com significância estatística depois de ser aplicado parameter tuning em ambos os algoritmos. Para além disso, este trabalho também considera como diferentes métodos de construção de ensembles, tal como um simples método de averaging, Bagging e Boosting afetam os valores de generalização dos algoritmos SLM e MLP. Os resultados sugerem que a natureza estocástica da SLM oferece diversidade suficiente aos base learners de maneira a que o método mais simples de construção de ensembles se torne competitivo quando comparado com técnicas mais complexas como Bagging e Boosting.Gonçalves, Ivo Carlos PereiraCastelli, MauroRUNSeca, Marta Sofia Lopes2020-06-09T07:44:36Z2020-06-012020-06-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10362/99078TID:202485102enginfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-05-22T17:45:55Zoai:run.unl.pt:10362/99078Portal AgregadorONGhttps://www.rcaap.pt/oai/openairemluisa.alvim@gmail.comopendoar:71602024-05-22T17:45:55Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Explorations of the semantic learning machine neuroevolution algorithm: dynamic training data use and ensemble construction methods |
title |
Explorations of the semantic learning machine neuroevolution algorithm: dynamic training data use and ensemble construction methods |
spellingShingle |
Explorations of the semantic learning machine neuroevolution algorithm: dynamic training data use and ensemble construction methods Seca, Marta Sofia Lopes Semantic Learning Machine Neuroevolution Evolutionary Machine Learning Artificial Neural Networks Deep Learning |
title_short |
Explorations of the semantic learning machine neuroevolution algorithm: dynamic training data use and ensemble construction methods |
title_full |
Explorations of the semantic learning machine neuroevolution algorithm: dynamic training data use and ensemble construction methods |
title_fullStr |
Explorations of the semantic learning machine neuroevolution algorithm: dynamic training data use and ensemble construction methods |
title_full_unstemmed |
Explorations of the semantic learning machine neuroevolution algorithm: dynamic training data use and ensemble construction methods |
title_sort |
Explorations of the semantic learning machine neuroevolution algorithm: dynamic training data use and ensemble construction methods |
author |
Seca, Marta Sofia Lopes |
author_facet |
Seca, Marta Sofia Lopes |
author_role |
author |
dc.contributor.none.fl_str_mv |
Gonçalves, Ivo Carlos Pereira Castelli, Mauro RUN |
dc.contributor.author.fl_str_mv |
Seca, Marta Sofia Lopes |
dc.subject.por.fl_str_mv |
Semantic Learning Machine Neuroevolution Evolutionary Machine Learning Artificial Neural Networks Deep Learning |
topic |
Semantic Learning Machine Neuroevolution Evolutionary Machine Learning Artificial Neural Networks Deep Learning |
description |
Dissertation presented as the partial requirement for obtaining a Master’s degree in Data Science and Advanced Analytics |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-06-09T07:44:36Z 2020-06-01 2020-06-01T00:00:00Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10362/99078 TID:202485102 |
url |
http://hdl.handle.net/10362/99078 |
identifier_str_mv |
TID:202485102 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
mluisa.alvim@gmail.com |
_version_ |
1817545745837850624 |