Uma contribuição ao estudo das categorias internas e de sua proliferação em redes ARTMAP

ART networks present some advantages: online learning; convergence in a few epochs of training; incremental learning, etc. Even though, some problems exist, such as: categories proliferation, sensitivity to the presentation order of training patterns, the choice of a good vigilance parameter, etc. Among the problems, the most important is the category proliferation that is probably the most critical. This problem makes the network create too many categories, consuming resources to store unnecessarily a large number of categories, impacting negatively or even making the processing time unfeasible, without contributing to the quality of the representation problem, i. e., in many cases, the excessive amount of categories generated by ART networks makes the quality of generation inferior to the one it could reach. Another factor that leads to the category proliferation of ART networks is the difficulty of approximating regions that have non-rectangular geometry, causing a generalization inferior to the one obtained by other methods of classification. From the observation of these problems, three methodologies were proposed, being two of them focused on using a most flexible geometry than the one used by traditional ART networks, which minimize the problem of categories proliferation. The third methodology minimizes the problem of the presentation order of training patterns. To validate these new approaches, many tests were performed, where these results demonstrate that these new methodologies can improve the quality of generalization for ART networks

As redes do tipo ART apresentam algumas vantagens: aprendizado online; convergência em poucas épocas de treinamento; aprendizado incremental, etc. Contudo, alguns problemas existem: proliferação de categorias, sensibilidade a ordem de apresentação dos padrões, escolha de um bom valor para o parâmetro de vigilância. O mais importante deles é o problema da proliferação de categorias e é provavelmente o mais crítico. Esse problema faz com que a rede crie várias categorias consumindo recursos (recursos para armazenar uma grande quantidade de categorias desnecessárias impactando negativamente ou até mesmo inviabilizando o tempo de processamento da rede) sem contribuir para a qualidade da representação do problema, ou seja, em muitos casos a quantidade excessiva de categorias geradas pelas redes ART faz com que a qualidade da generalização da rede seja inferior. Outro fator que leva a proliferação de categorias das redes do tipo ART é a dificuldade de aproximar regiões de classes que tem geometria não retangular, ocasionando uma generalização inferior a outros métodos de classificação. A partir da observação desses problemas, foi desenvolvido esse trabalho que propõe três metodologias. Duas dessas metodologias utilizam uma geometria mais flexível do que a geometria regular retangular presente nas redes ART tradicionais e minimizam o problema da proliferação de categorias. A terceira metodologia minimiza o problema da ordem de apresentação dos padrões e a proliferação de categorias. Com o objetivo de validar as novas abordagens, vários testes foram realizados. Os resultados obtidos nesses testes demonstram a viabilidade das metodologias propostas em reduzir o número de categorias e melhorar a qualidade da generalização. Em muitos desses testes a quantidade mínima de categorias necessárias para classificar corretamente as classes foi atingida após o treinamento, o que demonstra uma significativa melhora em relação aos métodos já existentes. Além disso, devido a nova geometria das categorias, utilizando politopos convexos, a qualidade da generalização melhorou em ralação ao estado da arte