Informações:

Publicações do PESC

Título
Extending Wisard To Perform Ensemble Learning, Regression, Multi-Label and Multi-Modal Tasks
Linha de pesquisa
Inteligência Artificial
Tipo de publicação
Tese de Doutorado
Número de registro
Data da defesa
28/7/2021
Resumo

Wilkie, Stonham and Aleksander’s Recognition Device (WiSARD) é um modelo de aprendizado de máquina que não necessita de nenhum tipo de técnica de minimização de erro para aprender padrões. Este modelo utiliza RAMs como neurônios, sendo necessário apenas um processo de escrita em memória na sua fase de treinamento e leitura em memória na sua fase de classificação. WiSARD é uma rede neural sem peso, um tipo de modelo que tem sido usado exitosamente em pesquisas sobre arquiteturas cognitivas e consciência artificial. Esta tese propõe várias extensões para este modelo de forma a criar os componentes necessários para uma futura arquitetura cognitiva direcionada a emoções baseada em WiSARD. As contribuições deste trabalho incluem dois sistemas de classificação multi-rótulo utilizando WiSARD, cinco novos tipos de comitês utilizando tanto WiSARD, quanto sua extensão ClusWiSARD, dois modelos de regressão não-paramétrica e um de regressão logística baseados em WiSARD e um sistema multi-modal de predição de empatia baseado sem peso. Esta tese utiliza uma implementação da WiSARD baseada em tabelas de dispersão, instanciando apenas as posições de memória que foram de fato treinadas. Todos os modelos e sistemas criados para esta tese foram comparados com o estado-da-arte, sendo competitivos em alguns casos, enquanto preservam todas as qualidades da WiSARD canônica.

Abstract

Wilkie, Stonham and Aleksander’s Recognition Device (WiSARD) is a machine learning model that does not require any kind of error minimization technique to learn patterns. This model uses RAMs as neurons, requiring only one process of writing in memory in its training phase and reading in memory in its classification phase. WiSARD is a weightless artificial neural network, a kind of model that has been successfully used in cognitive architectures and artificial consciousness research. This thesis proposes several extensions for this model in order to create the necessary components for a future WiSARD-based emotion-drive cognitive architecture, The contributions of this work include two WiSARD-based multi-label classification systems, five new types of ensembles using both WiSARD, as well as its ClusWiSARD extension, two WiSARD-based non-parametric regression models, one WiSARDbased logistic regression model, and a weightless multi-modal empathy prediction system. This thesis uses a map-based WiSARD implementation, instantiating only the memory locations that were actually trained. All models and systems created for this thesis have been compared with state-of-the-art, being competitive in some cases, while preserving all the qualities of the canonical WiSARD.

Arquivo
Topo