Transfer Learning for Boosted Relational Dependency Networks Through Genetic Algorithms

Algoritmos de aprendizado de máquina aprendem modelos a partir de um conjunto de observações, visando encontrar regularidades. Entretanto, métodos tradicionais de aprendizado de máquina falham ao encontrar padrões em objetos que possuem relações entre si. Aprendizado estatístico relacional constrói padrões a partir de domínios relacionais e lida com dados com incerteza. A maioria dos métodos de aprendizado de máquina assume que os dados de treinamento e teste possuem a mesma distribuição e o mesmo espaço de features. Porém, em alguns cenários, essa suposição não é válida. Transferência de aprendizado é uma ténica que aproveita o conhecimento aprendido em uma tarefa fonte para aprender um modelo para uma tarefa alvo. A transferência entre domínios relacionais encontra um desafio adicional, sendo necessário fazer o mapeamento entre os vocabulários fonte e alvo. Esta dissertação propõe GROOT, um framework que aplica algoritmo genético e suas variações para encontrar o melhor mapeamento entre tarefas fonte e alvo e adaptar o modelo transferido. GROOT recebe um conjunto de árvores de regressão relacionais construídas com os dados fonte como ponto de partida para construir o modelo para a tarefa alvo. Ao longo das gerações, cada indivíduo carrega um mapeamento. Eles são submetidos aos operadores genéticos que recombinam sub-árvores e revisam a estrutura inicial, permitindo a poda ou expansão dos ramos. Nós também propomos um novo algoritmo, chamado modified Biased Random-Key genetic algorithm (mBRKGA), um método baseado em BRKGA e mostramos o cálculo de complexidade de espaço do mapeamento proposto no framework. Resultados experimentais conduzidos em conjuntos de dados do mundo real mostram que GROOT alcança resultados, como AUC ROC, melhores que os baselines na maioria dos casos.