Year: 2026
Type: dissertation
Abstract: Otimização Multiobjetivo em modelos Semissupervisionados DECLARAÇÃO DE PUBLICIDADE Florianópolis, 15 de julho de 2026.Na condição de representante do LabMetro na qual o presente trabalho foi realizado, declaro não haver ressalvas quanto ao aspecto de sigilo ou propriedade intelectual sobre as informações contidas neste documento, que impeçam a sua publicação por parte da Universidade Federal de Santa Catarina (UFSC) para acesso pelo público em geral, incluindo a sua disponibilização online no Repositório Institucional da Biblioteca Universitária da UFSC.Além disso, declaro ciência de que o autor, na condição de estudante da UFSC, é obrigado a depositar este documento, por se tratar de um Trabalho de Conclusão de Curso, no referido Repositório Institucional, em atendimento à Resolução Normativa n°126/2019/CUn.Por estar de acordo com esses termos, subscrevo-me abaixo.Gabriel Thaler LabMetro RESUMO O aprendizado semissupervisionado por autotreinamento permite aproveitar grandes volumes de dados não rotulados a partir de poucos exemplos anotados, mas seu desempenho depende da escolha de bons hiperparâmetros.Tradicionalmente, essa escolha é conduzida por otimização mono-objetivo, voltada apenas à acurácia.Este trabalho investiga se a otimização multiobjetivo, que considera simultaneamente a acurácia e a eficiência no uso das amostras não rotuladas, oferece vantagem prática sobre a abordagem mono-objetivo.Para isso, foi desenvolvido um processo de autotreinamento baseado em rede neural convolucional, cujos hiperparâmetros foram ajustados por duas estratégias: a mono-objetivo, conduzida pelo amostrador TPE (Tree-structured Parzen Estimator ), e a multiobjetivo, conduzida pelo algoritmo NSGA-II (Non-dominated Sorting Genetic Algorithm II).As duas estratégias foram avaliadas sob condições idênticas em dois conjuntos de dados de complexidades distintas, o MNIST (Modified National Institute of Standards and Technology ) e o STL-10 (Self-Taught Learning), totalizando quatro estudos de otimização e oitocentos ensaios válidos.A comparação considerou a acurácia máxima e média, a consistência entre ensaios, a significância estatística das diferenças, a fronteira de Pareto e o desempenho no conjunto de teste.Os resultados indicam equivalência prática entre as duas estratégias: o teto de acurácia permaneceu na mesma faixa em ambos os conjuntos, e a fronteira de Pareto degenerada, somada à correlação positiva entre os objetivos, revelou a ausência de um compromisso real entre acurácia e eficiência.A vantagem observada para a abordagem mono-objetivo restringiu-se ao desempenho médio entre ensaios, atribuída ao comportamento mais concentrado do amostrador TPE.Conclui-se que, para os conjuntos e arquiteturas considerados, a otimização multiobjetivo não justifica seu maior custo de formulação e execução, representando a abordagem mono-objetivo uma economia de esforço computacional para resultados equivalentes.
Author: Nieland, Flávio
Language: Portuguese
Subfield: Computational Theory and Mathematics
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7213564291