Redução de Dimensionalidade via Amostragem Compressiva Aplicada a Redes Neurais

Micael Espínola Fonseca Tomaz, Edmar Gurjão

DOI: 10.14209/sbrt.2023.1570912788

Evento: XLI Simpósio Brasileiro de Telecomunicações e Processamento de Sinais (SBrT2023)

Keywords: Treinamento Redes Neurais Redução de Dimensionalidade Amostragem Compressiva

Abstract

As Redes Neurais Artificiais (RNA) são recorrentes na tecnologia, comprovadas por suas diversas aplicações. No emprego da RNA é necessário usar um grande conjunto de dados para representar as possibilidades de entrada e saída de um problema que está sendo modelado, o que leva a uma grande demanda de processamento computacional, principalmente na fase de treinamento dos modelos. Neste trabalho, para reduzir o custo computacional, foi utilizada a Amostragem Compressiva como técnica de redução dimensional no pré-processamento de uma Rede Neural, os resultados obtidos mostram que não há perda significativa no desempenho do treinamento quando se utilizam os dados comprimidos.

Download