Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | Eldorado Research Institute | - |
Autor(es): dc.creator | De Rosa, Gustavo H. | - |
Autor(es): dc.creator | Roder, Mateus | - |
Autor(es): dc.creator | Papa, Joao Paulo | - |
Autor(es): dc.creator | Dos Santos, Claudio F.G. | - |
Data de aceite: dc.date.accessioned | 2025-08-21T17:22:03Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T17:22:03Z | - |
Data de envio: dc.date.issued | 2022-05-01 | - |
Data de envio: dc.date.issued | 2022-05-01 | - |
Data de envio: dc.date.issued | 2020-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/SSCI50451.2021.9659945 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/234234 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/234234 | - |
Descrição: dc.description | Machine Learning algorithms have been extensively researched throughout the last decade, leading to unprecedented advances in a broad range of applications, such as image classification and reconstruction, object recognition, and text categorization. Nonetheless, most Machine Learning algorithms are trained via derivative-based optimizers, such as the Stochastic Gradient Descent, leading to possible local optimum entrapments and inhibiting them from achieving proper performances. A bioinspired alternative to traditional optimization techniques, denoted as meta-heuristic, has received significant attention due to its simplicity and ability to avoid local optimums imprisonment. In this work, we propose to use meta-heuristic techniques to fine-tune pre-trained weights, exploring additional regions of the search space, and improving their effectiveness. The experimental evaluation comprises two classification tasks (image and text) and is assessed under four literature datasets. Experimental results show nature-inspired algorithms' capacity in exploring the neighborhood of pre-trained weights, achieving superior results than their counterpart pre-trained architectures. Additionally, a thorough analysis of distinct architectures, such as Multi-Layer Perceptron and Recurrent Neural Networks, attempts to visualize and provide more precise insights into the most critical weights to be fine-tuned in the learning process. | - |
Descrição: dc.description | Sao Paulo State University Department of Computing, SP | - |
Descrição: dc.description | Eldorado Research Institute, SP | - |
Descrição: dc.description | Sao Paulo State University Department of Computing, SP | - |
Idioma: dc.language | en | - |
Relação: dc.relation | 2021 IEEE Symposium Series on Computational Intelligence, SSCI 2021 - Proceedings | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Fine-Tuning | - |
Palavras-chave: dc.subject | Machine Learning | - |
Palavras-chave: dc.subject | Meta-Heuristic Optimization | - |
Palavras-chave: dc.subject | Weights | - |
Título: dc.title | Improving Pre- Trained Weights through Meta - Heuristics Fine- Tuning | - |
Tipo de arquivo: dc.type | aula digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: