Otimização Multiobjetivo em modelos Semissupervisionados

Abstract

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 prá- tica sobre a abordagem mono-objetivo. Para isso, foi desenvolvido um processo de

autotreinamento baseado em rede neural convolucional, cujos hiperparâmetros fo- ram 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 con- junto 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 au- sência 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.