ANÁLISE DE INSTÂNCIAS DO PROBLEMA DA DIVERSIDADE MÁXIMA COM APRENDIZADO SUPERVISIONADO

- 326217
Trabalho completo (Oral)
Favoritar este trabalho
Como citar esse trabalho?
Resumo

Este trabalho investiga a aplicação de técnicas de aprendizado de máquina supervisionado na resolução aproximada do problema da diversidade máxima. Foram explorados modelos como Regressão Logística, k-Vizinhos mais Próximos, árvores de decisão, floresta randômica e redes neurais, treinados a partir de 315 instâncias da MDPLib. As instâncias foram pré-processadas com extração de características estruturais dos grafos e balanceamento de classes, além da técnica PCA para redução de dimensionalidade. Os modelos foram avaliados com base na proximidade das soluções obtidas em relação aos valores ótimos fornecidos por um método exato e soluções de uma meta-heurística. Os resultados demonstram que, mesmo com acurácias moderadas, os modelos atingiram até 95.66% da diversidade máxima em instâncias com até 3000 vértices, evidenciando a viabilidade e escalabilidade da abordagem. Este estudo abre caminho para o uso de aprendizado supervisionado em problemas combinatórios de grande escala, reforçando seu potencial como ferramenta complementar às abordagens heurísticas tradicionais.

Compartilhe suas ideias ou dúvidas com os autores!

Sabia que o maior estímulo no desenvolvimento científico e cultural é a curiosidade? Deixe seus questionamentos ou sugestões para o autor!

Faça login para interagir

Tem uma dúvida ou sugestão? Compartilhe seu feedback com os autores!

Instituições
  • 1 Universidade Federal do Ceará - Campus Russas
Eixo Temático
  • 9. EST&AM – PO Analytics em Estatística e Aprendizado de Máquina
Palavras-chave
Diversidade Máxima
Aprendizado de Máquina Supervisionado
Análise de Instâncias