Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 723
Aluno: Andersson Alves da Silva
Orientador: Prof. Ricardo Martins de Abreu Silva
Título: Neural Architecture Search Baseado em BRKGA para Otimização de
Arquiteturas de Redes Neurais Profundas
Data: 29/10/2026
Hora/Local: 10h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Tsang Ing Ren (UFPE / Centro de Informática )
Prof. Silvio de Barros Melo (UFPE / Centro de Informática)
Prof. Paulo Borges Oliva (Queen Mary University of London / School of Electronic Engineering and Computer Science -EECS)
Prof. Mauricio Guilherme de Carvalho Resende (UNIFESP /Instituto de Ciência e Tecnologia)
Prof. Péricles Barbosa Cunha de Miranda (UFRPE / Departamento de Computação)
RESUMO:
A definição de arquiteturas eficientes para modelos de Deep Learning
constitui um dos principais desafios atuais da área de Inteligência
Artificial. Nesse contexto, esta tese propõe uma metodologia de Neural
Architecture Search (NAS) baseada no Algoritmo Genético de Chaves
Aleatórias Enviesado (Biased Random-Key Genetic Algorithm – BRKGA),
utilizando uma representação contínua por chaves aleatórias e
decodificadores parametrizados capazes de transformar cromossomos em
arquiteturas neurais válidas. A metodologia foi aplicada a três paradigmas
de Deep Learning: BRKGA-DFNN, para Redes Neurais Feedforward Profundas, nas
versões Iterativa e Multicamadas; BRKGA-CNN, para Redes Neurais
Convolucionais aplicadas à classificação de imagens; e BRKGA-GNN, para
Redes Neurais em Grafos. Os experimentos foram conduzidos em conjuntos de
dados amplamente utilizados na literatura e comparados com métodos de
otimização e abordagens de NAS baseadas em algoritmos evolutivos. Os
resultados demonstraram que a metodologia proposta produz arquiteturas
competitivas e, em diversos cenários, superiores às abordagens de
referência. O BRKGA-DFNN apresentou os menores erros médios de
classificação em diferentes problemas avaliados. O BRKGA-CNN superou os
modelos de referência em sete dos nove conjuntos de dados analisados e
encontrou arquiteturas mais compactas, preservando elevado desempenho
preditivo. O BRKGA-GNN obteve os melhores resultados nos conjuntos Cora,
CiteSeer e PubMed, superando arquiteturas manuais e métodos de NAS
consolidados. Os resultados evidenciam o potencial da metodologia proposta
para a automação do projeto de arquiteturas neurais em diferentes modelos
de Deep Learning.
Palavras-chave: Neural Architecture Search. Biased Random-Key Genetic Algorithm. Deep Learning. Otimização de Arquiteturas. Redes Neurais Profundas.
Comentários desativados