Multi-objective machine learninga systematic review

Resumo

Otimização é um aspecto fundamental de Machine Learning (ML) pois a maioria dos aspectos do framework de aprendizagem envolvem implícita ou explicitamente minimizar/maximizar uma dada métrica ou função objetivo. A maioria das tarefas em ML requerem a otimização de múltiplas métricas que são conflitantes. Tradicionalmente, as abordagens de ML utilizam algoritmos de otimização que impõem que o objetivo seja uma função real. Desta forma, se temos múltiplos objetivos, tais métricas devem ser agregadas de alguma forma ou então apenas uma delas pode ser considerada como a função objetivo. Entretanto, pesquisas recentes propõem a utilização de algoritmos de Otimização Multi-Objetivo (MOO) para buscar as soluções ótimas para tarefas de ML que requerem a otimização de múltiplos objetivos. Este trabalho apresenta uma revisão sistemática de tal literatura, a qual denominamos Machine Learning Multi-Objetivo (MOML). Apresentamos uma breve introdução a MOO focada em pesquisadores e profissionais de ML. Em seguida, revisamos a atual pesquisa em MOML, categorizando os trabalhos existentes de acordo com a tarefa de ML que eles se propõem a resolver, como, por exemplo Configuração de Modelo, Aprendizado Multi-Tarefa ou Aprendizado Ético. Por fim, discutimos as atuais limitações e futuras direções de pesquisa na área.

Ficha do documento

Tipo

Dissertação

Ano

2023

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Inglês

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/34077

Palavras-chave

Machine LearningMulti-Objective OptimizationMulti-Objective Machine LearningLiterature ReviewAprendizado do computadorAlgoritmos computacionaisOtimização matemática