Estratégias de aprendizado ativo baseado em medidas de complexidade

Abstract

Aprendizado Ativo é uma área do Aprendizado de Máquina que visa diminuir a interação humana no processo de rotulação de uma base de dados, permitindo que estratégias de seleção escolham quais amostras deverão ser rotuladas e utilizadas em seu treino. Através de consultas à base, um subconjunto de amostras rotuladas é criado, formado por instâncias mais informativas e que caracterizem melhor o problema em si. O treino do modelo com essas amostras pode ter um desempenho preditivo tão bom como quando utilizada toda a base. Os espaços de busca dessas amostras são definidos por meio de cenários e estratégias específicas [1]. No entanto, as estratégias de Aprendizado Ativo existentes não avaliam a complexidade do problema em si, fato que pode limitar o desempenho de um modelo de classificação. Para contornar isso, estudos sobre análise de complexidade em nível de base de dados contribuem na categorização de um problema e reduzem o erro sistemático de modelo causado por amostras muito complexas. Nesse contexto, o estudo de medidas de complexidade é bastante relevante para aumentar a compreensão acerca do domínio de problemas. Ademais, utilizar medidas de complexidade decompostas em nível de instância pode apoiar análises mais refinadas sobre cada amostra de um conjunto de dados, possibilitando assim uma estimativa do impacto de uma instância no aprendizado de um modelo. Com isso, esse trabalho propõe e avalia estratégias de amostragem de Aprendizado Ativo com medidas de complexidade adaptadas como critério de seleção de amostras. Para tal, foi realizado um experimento que avaliou o resultado tanto de estratégias clássicas quanto das estratégias propostas. Para isso, utilizou dados de 71 bases de classificação de propósito geral, além de avaliar o desempenho dos modelos baseados em 4 diferentes algoritmos de classificação. Foram feitas análises acerca dos resultados coletados, tanto de desempenho médio quanto do desempenho por porcentagem de amostras utilizadas no treino. Os resultados foram promissores ao mostrarem que os modelos das estratégias propostas tiveram bons ganhos de desempenho utilizando amostragens geradas pelos critérios baseados em medidas de complexidade avaliadas em nível de instância.