Transfer learning in bioinspired clustering algorithms
Rita Xavier · 2025
Este estudo explora o uso de Transfer Learning (TL) em Machine Learning (ML) não supervisionado, com foco em tarefas de agrupamento.Modelos de aprendizado não supervisionado, que trabalham com dados não rotulados, visam descobrir padrões e agrupar dados com base em similaridades.TL, que alavanca o conhecimento de modelos pré-treinados em um domínio de origem, pode melhorar o desempenho de algoritmos de agrupamento em domínios de destino, especialmente quando os dados são limitados ou de baixa qualidade.A dissertação propõe o TRUNC (Transfer Learning-Based Unsupervised Network for Data Clustering), um algoritmo bioinspirado projetado para aprimorar o agrupamento integrando o aprendizado por transferência baseado em protótipo (Prototype-Based Transfer Learning, PBTL).Essa técnica usa clusters de um domínio de origem para auxiliar no agrupamento de dados em um domínio de destino.O modelo TRUNC é uma rede neural feedforward de camada única com uma abordagem do tipo "o vencedor leva tudo", desenvolvida especificamente para tarefas de agrupamento.A eficácia do algoritmo foi testada em conjuntos de dados sintéticos e do mundo real.Os resultados mostram que o TRUNC supera os métodos tradicionais de agrupamento em termos de precisão, informações mútuas normalizadas e pontuações do Rand Index.Em particular, o TRUNC apresentou tempos de convergência menores, mantendo desempenho competitivo em dados do mundo real.A dissertação também discute a sensibilidade do parâmetro de aprendizagem por transferência (Ą) e fornece avaliações detalhadas para mostrar a robustez e a capacidade de generalização do TRUNC.Pesquisas futuras visam explorar a integração do TRUNC com outros algoritmos bioinspirados e otimizar o parâmetro de aprendizagem por transferência Ą para melhor adaptabilidade em diversos conjuntos de dados.No geral, o estudo confirma que incorporar TL em tarefas de agrupamento não supervisionadas oferece uma abordagem promissora para melhorar a eficiência e a precisão em modelos de aprendizagem de máquina.