1 / 56

UMA INVESTIGAÇÃO DO MODELO DE REDE NEURAL RePART EM TAREFAS DE RECONHECIMENTOS DE PADRÕES

UMA INVESTIGAÇÃO DO MODELO DE REDE NEURAL RePART EM TAREFAS DE RECONHECIMENTOS DE PADRÕES. Araken de Medeiros Santos. Anne Magály de P. Canuto Orientadora. Trabalhos Anteriores Motivação Objetivos Modelos Neurais Análise Comparativa e Estatística Considerações Finais

oprah
Télécharger la présentation

UMA INVESTIGAÇÃO DO MODELO DE REDE NEURAL RePART EM TAREFAS DE RECONHECIMENTOS DE PADRÕES

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. UMA INVESTIGAÇÃO DO MODELO DE REDE NEURAL RePART EM TAREFAS DE RECONHECIMENTOS DE PADRÕES Araken de Medeiros Santos Anne Magály de P. Canuto Orientadora

  2. Trabalhos Anteriores • Motivação • Objetivos • Modelos Neurais • Análise Comparativa e Estatística • Considerações Finais • Trabalhos futuros ROTEIRO

  3. Análise comparativa do desempenho do RePART com o Fuzzy ARTMAP, ARTMAP-IC e Fuzzy MLP • Caracteres numéricos TRABALHOS ANTERIORES

  4. Qual o comportamento do RePART em outras tarefas de reconhecimento de padrões? MOTIVAÇÃO

  5. Descobrir vantagens e desvantagens de cada um dos modelos abordados em aplicações de reconhecimento de padrões • Dar um embasamento mais amplo à utilização do RePART OBJETIVOS

  6. Grau de similaridade • Dilema estabilidade-plasticidade • RNA incremental • Aprendizagem não-supervisionada ART (Adaptive Resonance Theory)

  7. Mesma estrutura • ART => teoria dos conjuntos clássica • Fuzzy ART =>teoria dos conjuntos fuzzy ART x Fuzzy ART

  8. ART x Fuzzy ART Cálculo dos neurônios F2 • ART => AND booleano (x*y) • Fuzzy ART => AND fuzzy [min(x, y)]

  9. Dois módulos ART ARTa => padrão de entrada ARTb => saída desejada • Map Field • Aprendizagem supervisionada ARTMAP/Fuzzy ARTMAP

  10. Wj J = (b, 1-b) I = (a, 1-a) a b ESTRUTURA DO ARTMAP

  11. Proliferação de categoria • Má classificação (1 vencedor) • Sensibilidade a ruídos PROBLEMAS DO ARTMAP

  12. Mesmo processo de aprendizagem • Melhorias na fase de reconhecimento • Suavizar o problema de má classifica- ção ARTMAP-IC

  13. Codificação distribuída (grupo de vencedores) • Parâmetro contador de instância ARTMAP-IC

  14. Suavizar os problemas de proliferação de categoria e má classificação • Codificação distribuída (grupo de vencedores + grupo de perdedores) • Parâmetro contador de instância RePART

  15. Mecanismos Adicionais: • Vigilância variável individual (proliferação de categorias) • Recompensa/Punição (má classificação) RePART

  16. Dilema bias/variância • Individual • Freqüência relativa de ativação (RFA) • Inversa da média relativa de ativação (RIAA) Vigilância Variável

  17. VigilânciaVariável

  18. Vencedores => recompensa • Perdedores => punição • Má classificação RECOMPENSA/PUNIÇÃO

  19. RECOMPENSA/PUNIÇÃO

  20. Semelhante ao FA e AIC • Diferença básica => cálculo das vigilâncias de todos os neurônios APRENDIZAGEM

  21. Neurônios F2 de ARTa • Ranking dos neurônios • Divisão em vencedores e perdedores • Neurônios Map Field => duas fases RECONHECIMENTO

  22. NEURÔNIOS MAP FIELD

  23. Análise Intraclasse • 5 bases de dados • Validação cruzada com 30 grupos EXPERIMENTOS

  24. Taxa de reconhecimento • Complexidade da rede • Variação no número de vencedores • Modificação nas freqüências ANÁLISE COMPARATIVA

  25. Instâncias geradas randomicamente de 7 imagens de outdoor • 7 classes • 19 atributos • 330 padrões por classe IMAGE DATASET

  26. IMAGE DATASET 15% Menor nº de vencedores 1,5% Maior nº de vencedores

  27. FA e AIC => 147 neurônios • RePART => 74 neurônios 49,6% menos IMAGE DATASET

  28. Instâncias de 384 bits (16x24) • 330 padrões por classe CARACTERES ALFANUMÉRICOS

  29. CARACTERES ALFANUMÉRICOS 12% Influência da modificação na freqüência 4,58%

  30. FA e AIC => 490 neurônios • RePART => 340 neurônios 30,61% menos CARACTERES ALFANUMÉRICOS

  31. 2 classes • 32 atributos • 240 padrões por classe CANCER DE MAMA(Breast-cancer)

  32. CANCER DE MAMA(Breast-cancer) Modificação na freqüência não alterou resultados

  33. FA e AIC => 234 neurônios • RePART => 145 neurônios 38% menos CANCER DE MAMA(Breast-cancer)

  34. 2 classes • 10 atributos • 210 padrões por classe CANCER DE MAMA(WDBC)

  35. CANCER DE MAMA(WDBC) 5,5% Modificação na freqüência não alterou resultados 1,87%

  36. FA e AIC => 105 neurônios • RePART => 56 neurônios 46,67% menos CANCER DE MAMA(WDBC)

  37. Seqüência de DNA • 60 atributos • 3 classes • 750 padrões por classe BIOLOGIA MOLECULAR

  38. BIOLOGIA MOLECULAR Modificação na freqüência alterou resultados Modificação na freqüência não alterou resultados

  39. FA e AIC => 1710 neurônios • RePART => 910 neurônios 46,78% menos BIOLOGIA MOLECULAR

  40. RePART Taxa de reconhecimento superior Complexidade inferior • Número de vencedores Efeitos inversos no ReP e AIC ANÁLISE GERAL

  41. T-Teste de variância combinada Compara duas amostras (conjunto de resultados) para verificar se as diferen- ças são estatísticamente significantes. ANÁLISE ESTATÍSTICA

  42. Erro médio • Desvio padrão • Número de grupos ANÁLISE ESTATÍSTICA

  43. Validação cruzada com 30 grupos • Nível de confiança => 95% (=0,05) • Teste unicaudal inferior (X, Y) Indica se a amostra X é significante- mente menor que a amostra Y ANÁLISE ESTATÍSTICA

  44. Busca do RePART e AIC com me- lhores resultados em cada uma das aplicações utilizadas • RePART x Fuzzy ARTMAP • RePART x ARTMAP-IC ANÁLISE ESTATÍSTICA

  45. IMAGE DATASET RePART apresentou erro médio estatisicamente inferior ao do Fuzzy ARTMAP e ARTMAP-IC

  46. CARACTERES ALFANUMÉRICOS O Fuzzy ARTMAP teve erro médio inferior, mas não estatisticamente significante

  47. CARACTERES ALFANUMÉRICOS RePART obteve erro médio estatisticamente inferior ao do Fuzzy ARTMAP e ARTMAP-IC

  48. CÂNCER DE MAMA (Breast-cancer) RePART apresentou erro médio estatisticamente seme-lhante ao FA e AIC, contudo pode ser considerado mais eficiente (complexidade inferior e desempenho superior)

  49. CÂNCER DE MAMA (WDBC) Novamente, o RePART apresentou erro médio estatis-ticamente inferior ao FA e AIC

  50. BIOLOGIA MOLECULAR RePART apresentou erro médio inferior ao FA e AIC-3 e semelhante ao AIC-7, logo pode-se observar que a modifi- cação nas freqüências melhorou significantemente o desem-penho do ARTMAP-IC

More Related