Tese

Métodos de aprendizado profundo para a escolha do parâmetro de regularização (2024)

• Authors:
  • Souza, Emanuel Oliveira
  • Helou, Elias Salomão (Orientador)
• Autor USP: SOUZA, EMANUEL OLIVEIRA - ICMC
• Unidade: ICMC
• Sigla do Departamento: SME
• DOI: 10.11606/D.55.2024.tde-17072024-104240
• Subjects: PROBLEMAS INVERSOS; MÉTODOS DE REGULARIZAÇÃO E PENALIZAÇÃO; PROCESSAMENTO DE IMAGENS; INTELIGÊNCIA ARTIFICIAL
• Keywords: Aprendizado profundo; Deep learning; Inverse problems; Regularização; Regularization
• Agências de fomento:
  • Financiamento CAPES
  • Financiamento DM Service
• Language: Português
• Abstract: Os problemas inversos costumam aparecer em várias áreas das ciências e engenharias e, de certo modo, consistem em determinar causas desconhecidas a partir de efeitos observados. Alguns exemplos de aplicações de problemas inversos são encontrados em reconstrução/restauração de imagens, engenharia civil e finanças quantitativas. As principais características dos problemas inversos são a não unicidade e a instabilidade de suas soluções. Uma abordagem frequente é utilizar técnicas chamadas de regularização, especialmente a regularização de Tikhonov, uma das mais utilizadas nesses casos. Geralmente, os métodos de regularização estabelecem uma família de operadores parametrizada por um escalar, conhecido como parâmetro de regularização. Uma dificuldade existente nestes métodos é a escolha do parâmetro de regularização adequado que fornece estabilidade e ajuste à solução regularizada. Na literatura, alguns métodos na busca desse parâmetro são utilizados, dentre os quais podemos citar: o princípio da discrepância, validação cruzada generalizada e o método da curva L. Com o acelerado desenvolvimento da Inteligência Artificial, o surgimento de novas técnicas baseadas em redes neurais são aplicadas com sucesso em vários problemas reais. Sendo assim, neste trabalho é proposto a criação de uma nova técnica que utiliza aprendizado profundo para selecionar o melhor parâmetro de regularização. Os resultados mostram que este tipo de abordagem supera as técnicas tradicionais de seleção deparâmetro. Isto representa um avanço na área de seleção de parâmetros. Sendo assim, a abordagem utilizada proporcionou melhorias significativas nos experimentos numéricos utilizados.
• Imprenta:
  • Publisher place: São Carlos
  • Date published: 2024
• Data da defesa: 18.06.2024

Informações sobre o DOI: 10.11606/D.55.2024.tde-17072024-104240 (Fonte: oaDOI API)
• Este periódico é de acesso aberto
• Este artigo é de acesso aberto
• URL de acesso aberto
• Cor do Acesso Aberto: gold
• Licença: cc-by-nc-sa

---

How to cite

A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

• ABNT

  SOUZA, Emanuel Oliveira. Métodos de aprendizado profundo para a escolha do parâmetro de regularização. 2024. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-17072024-104240/. Acesso em: 26 dez. 2025.

• APA

  Souza, E. O. (2024). Métodos de aprendizado profundo para a escolha do parâmetro de regularização (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-17072024-104240/

• NLM

  Souza EO. Métodos de aprendizado profundo para a escolha do parâmetro de regularização [Internet]. 2024 ;[citado 2025 dez. 26 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-17072024-104240/

• Vancouver

  Souza EO. Métodos de aprendizado profundo para a escolha do parâmetro de regularização [Internet]. 2024 ;[citado 2025 dez. 26 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-17072024-104240/

Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

• Uso de aprendizado profundo na seleção do parâmetro de regularização