OTIMIZAÇÃO DE HIPERPARÂMETROS EM REDES GENERATIVAS ADVERSÁRIAS (GANs) USANDO AHP GAUSSIANO

A otimização de hiperparámetros em Redes Adversariais Generativas (GANs) utilizando

o processo de hierarquia analítica gaussiana (AHP Gaussiano), o foco deste estudo. A combinação

de técnicas de aprendizado de máquina e métodos de decisão multicritério visa melhorar o desempenho

e a eficiência dos modelos GAN. Utilizando o dataset Fashion MNIST, os modelos GAN

são treinados e o AHP Gaussiano é aplicado para avaliar e otimizar os hiperparâmetros com base

em múltiplos critérios de desempenho, como qualidade das imagens geradas, estabilidade do treinamento

e tempo de treinamento. A metodologia é validada por meio de experimentos iterativos,

nos quais os hiperparâmetros são ajustados automaticamente com base nas pontuações obtidas, maximizando

a eficiência e a qualidade do modelo. Os resultados indicam uma melhoria significativa

na geração de imagens e na eficiência computacional.