Um estudo
liderado pelo Departamento de Engenharia Informática (DEI) da
Faculdade de Ciências e Tecnologia da Universidade de Coimbra
(FCTUC) indica que abordagens de Transfer
Learning (TL)
levam a uma diminuição do número de falsas previsões, mantendo a
mesma capacidade de previsão em modelos de Machine
Learning (ML).
Esta
investigação, desenvolvida no âmbito do projeto “RECoD-Towards
Realistic Epileptic Seizure Prediction: dealing with long-term
concept drifts and data-labeling uncertainty”,
está publicada na revista “Scientific
Reports”.
O TL é uma
técnica de ML em que um modelo pré-treinado numa tarefa é ajustado
para uma nova tarefa relacionada. Treinar um novo modelo de ML é um
processo demorado e intenso que requer uma grande quantidade de
dados, elevado custo computacional e várias iterações antes de
estar pronto para produção. Em vez disso, usa-se o TL para treinar
novamente os modelos existentes em tarefas relacionadas e com novos
dados.
«Este
artigo apresenta uma abordagem de TL para desenvolver modelos
personalizados de previsão de crises epiléticas (desenvolvidos para
cada paciente) com base em Deep Neural Networks (DNNs). Este modelo
foi desenvolvido com base em 40 pacientes da base de dados
EPILEPSIAE. Consequentemente, o modelo foi usado para otimizar
preditores para novos doentes»,
começa por explicar César Teixeira, docente do DEI e investigador
do Centro de Informática e Sistemas da Universidade de Coimbra
(CISUC).
Os resultados,
prossegue o autor do artigo e líder do projeto, «mostraram
que o desenvolvimento por TL permite obter cerca de quatro vezes
menos falsos alarmes, mantendo a mesma capacidade de prever crises do
que quando os modelos são treinados do zero. Assim, foi possível
concluir que as limitações induzidas pelo baixo número de crises
podem ser superadas através da utilização destas técnicas»,
acredita.
De acordo com o
docente da FCTUC, o projeto RECoD, para além do modelo de TL
desenvolvido, contribuiu também para o desenvolvimento de abordagens
não-supervisionadas para a deteção do estado pré-crise e para a
interpretação e explicação de preditores de crises epiléticas.
O consórcio
deste projeto envolveu a FCTUC, a Universitätsklinikum Freiburg
(UKFR) e o Centro Hospitalar e Universitário de Coimbra (CHUC).
O artigo
científico “Addressing
data limitations in seizure prediction through transfer learning”
está disponível para consulta aqui.
*Sara
Machado
Assessora
de Imprensa
Universidade
de Coimbra• Faculdade de Ciências e Tecnologia
Nenhum comentário:
Postar um comentário