Métodos de aprendizado profundo para a escolha do parâmetro de regularização
Autor(a) principal: | |
---|---|
Data de Publicação: | 2024 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da USP |
Texto Completo: | https://www.teses.usp.br/teses/disponiveis/55/55134/tde-17072024-104240/ |
Resumo: | Os problemas inversos costumam aparecer em várias áreas das ciências e engenharias e, de certo modo, consistem em determinar causas desconhecidas a partir de efeitos observados. Alguns exemplos de aplicações de problemas inversos são encontrados em reconstrução/restauração de imagens, engenharia civil e finanças quantitativas. As principais características dos problemas inversos são a não unicidade e a instabilidade de suas soluções. Uma abordagem frequente é utilizar técnicas chamadas de regularização, especialmente a regularização de Tikhonov, uma das mais utilizadas nesses casos. Geralmente, os métodos de regularização estabelecem uma família de operadores parametrizada por um escalar, conhecido como parâmetro de regularização. Uma dificuldade existente nestes métodos é a escolha do parâmetro de regularização adequado que fornece estabilidade e ajuste à solução regularizada. Na literatura, alguns métodos na busca desse parâmetro são utilizados, dentre os quais podemos citar: o princípio da discrepância, validação cruzada generalizada e o método da curva L. Com o acelerado desenvolvimento da Inteligência Artificial, o surgimento de novas técnicas baseadas em redes neurais são aplicadas com sucesso em vários problemas reais. Sendo assim, neste trabalho é proposto a criação de uma nova técnica que utiliza aprendizado profundo para selecionar o melhor parâmetro de regularização. Os resultados mostram que este tipo de abordagem supera as técnicas tradicionais de seleção de parâmetro. Isto representa um avanço na área de seleção de parâmetros. Sendo assim, a abordagem utilizada proporcionou melhorias significativas nos experimentos numéricos utilizados. |
id |
USP_04c2c009f83942cb304b29f7ac484e5d |
---|---|
oai_identifier_str |
oai:teses.usp.br:tde-17072024-104240 |
network_acronym_str |
USP |
network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
repository_id_str |
2721 |
spelling |
Métodos de aprendizado profundo para a escolha do parâmetro de regularizaçãoDeep learning methods for choosing the regularization parameterAprendizado profundoDeep learningInverse problemsProblemas inversosRegularizaçãoRegularizationOs problemas inversos costumam aparecer em várias áreas das ciências e engenharias e, de certo modo, consistem em determinar causas desconhecidas a partir de efeitos observados. Alguns exemplos de aplicações de problemas inversos são encontrados em reconstrução/restauração de imagens, engenharia civil e finanças quantitativas. As principais características dos problemas inversos são a não unicidade e a instabilidade de suas soluções. Uma abordagem frequente é utilizar técnicas chamadas de regularização, especialmente a regularização de Tikhonov, uma das mais utilizadas nesses casos. Geralmente, os métodos de regularização estabelecem uma família de operadores parametrizada por um escalar, conhecido como parâmetro de regularização. Uma dificuldade existente nestes métodos é a escolha do parâmetro de regularização adequado que fornece estabilidade e ajuste à solução regularizada. Na literatura, alguns métodos na busca desse parâmetro são utilizados, dentre os quais podemos citar: o princípio da discrepância, validação cruzada generalizada e o método da curva L. Com o acelerado desenvolvimento da Inteligência Artificial, o surgimento de novas técnicas baseadas em redes neurais são aplicadas com sucesso em vários problemas reais. Sendo assim, neste trabalho é proposto a criação de uma nova técnica que utiliza aprendizado profundo para selecionar o melhor parâmetro de regularização. Os resultados mostram que este tipo de abordagem supera as técnicas tradicionais de seleção de parâmetro. Isto representa um avanço na área de seleção de parâmetros. Sendo assim, a abordagem utilizada proporcionou melhorias significativas nos experimentos numéricos utilizados.Inverse problems tend to appear in various areas of science and engineering and, in a way, consist of determining unknown causes from observed effects. Some examples of applications of inverse problems are found in image reconstruction/restoration, civil engineering and quantitative finance. The main characteristics of inverse problems are the non-uniqueness and instability of their solutions. A common approach is to use techniques called regularization, especially Tikhonov regularization, one of the most used in the cases. Generally, regularization methods establish a family of operators parameterized by a scalar, known as the regularization parameter. A difficulty in these methods is the choice of the appropriate regularization parameter that provides stability and adjustment to the regularized solution. In the literature, some methods are used to search for this parameter, among which we can mention: the discrepancy principle, generalized crossvalidation and the L-curve method. With the accelerated development of Artificial Intelligence, the emergence of new techniques based on neural networks are successfully applied to several real problems. Therefore, this work proposes the creation of a new technique that uses deep learning to select the best regularization parameter. The results show that this type of approach outperforms traditional parameter selection techniques. This represents a step forward in the area of parameter selection. Therefore, the approach used provided significant improvements in the numerical experiments used.Biblioteca Digitais de Teses e Dissertações da USPHelou Neto, Elias SalomãoSouza, Emanuel Oliveira2024-06-18info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/55/55134/tde-17072024-104240/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2024-07-17T13:47:02Zoai:teses.usp.br:tde-17072024-104240Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212024-07-17T13:47:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
dc.title.none.fl_str_mv |
Métodos de aprendizado profundo para a escolha do parâmetro de regularização Deep learning methods for choosing the regularization parameter |
title |
Métodos de aprendizado profundo para a escolha do parâmetro de regularização |
spellingShingle |
Métodos de aprendizado profundo para a escolha do parâmetro de regularização Souza, Emanuel Oliveira Aprendizado profundo Deep learning Inverse problems Problemas inversos Regularização Regularization |
title_short |
Métodos de aprendizado profundo para a escolha do parâmetro de regularização |
title_full |
Métodos de aprendizado profundo para a escolha do parâmetro de regularização |
title_fullStr |
Métodos de aprendizado profundo para a escolha do parâmetro de regularização |
title_full_unstemmed |
Métodos de aprendizado profundo para a escolha do parâmetro de regularização |
title_sort |
Métodos de aprendizado profundo para a escolha do parâmetro de regularização |
author |
Souza, Emanuel Oliveira |
author_facet |
Souza, Emanuel Oliveira |
author_role |
author |
dc.contributor.none.fl_str_mv |
Helou Neto, Elias Salomão |
dc.contributor.author.fl_str_mv |
Souza, Emanuel Oliveira |
dc.subject.por.fl_str_mv |
Aprendizado profundo Deep learning Inverse problems Problemas inversos Regularização Regularization |
topic |
Aprendizado profundo Deep learning Inverse problems Problemas inversos Regularização Regularization |
description |
Os problemas inversos costumam aparecer em várias áreas das ciências e engenharias e, de certo modo, consistem em determinar causas desconhecidas a partir de efeitos observados. Alguns exemplos de aplicações de problemas inversos são encontrados em reconstrução/restauração de imagens, engenharia civil e finanças quantitativas. As principais características dos problemas inversos são a não unicidade e a instabilidade de suas soluções. Uma abordagem frequente é utilizar técnicas chamadas de regularização, especialmente a regularização de Tikhonov, uma das mais utilizadas nesses casos. Geralmente, os métodos de regularização estabelecem uma família de operadores parametrizada por um escalar, conhecido como parâmetro de regularização. Uma dificuldade existente nestes métodos é a escolha do parâmetro de regularização adequado que fornece estabilidade e ajuste à solução regularizada. Na literatura, alguns métodos na busca desse parâmetro são utilizados, dentre os quais podemos citar: o princípio da discrepância, validação cruzada generalizada e o método da curva L. Com o acelerado desenvolvimento da Inteligência Artificial, o surgimento de novas técnicas baseadas em redes neurais são aplicadas com sucesso em vários problemas reais. Sendo assim, neste trabalho é proposto a criação de uma nova técnica que utiliza aprendizado profundo para selecionar o melhor parâmetro de regularização. Os resultados mostram que este tipo de abordagem supera as técnicas tradicionais de seleção de parâmetro. Isto representa um avanço na área de seleção de parâmetros. Sendo assim, a abordagem utilizada proporcionou melhorias significativas nos experimentos numéricos utilizados. |
publishDate |
2024 |
dc.date.none.fl_str_mv |
2024-06-18 |
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 |
https://www.teses.usp.br/teses/disponiveis/55/55134/tde-17072024-104240/ |
url |
https://www.teses.usp.br/teses/disponiveis/55/55134/tde-17072024-104240/ |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
|
dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.coverage.none.fl_str_mv |
|
dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
instname_str |
Universidade de São Paulo (USP) |
instacron_str |
USP |
institution |
USP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
collection |
Biblioteca Digital de Teses e Dissertações da USP |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
_version_ |
1809090805178040320 |