Resumo: Este estudo explora o uso de Transfer Learning (TL) em Machine Learning (ML) não supervisionado, com foco em tarefas de agrupamento. Modelos de aprendizado não supervisionado, que trabalham com dados não rotulados, visam descobrir padrões e agrupar dados com base em similaridades. TL, que alavanca o conhecimento de modelos pré-treinados em um domínio de origem, pode melhorar o desempenho de algoritmos de agrupamento em domínios de destino, especialmente quando os dados são limitados ou de baixa qualidade. A dissertação apresenta o TRUNC (Transfer Learning-Based Unsupervised Network for Data Clustering), um algoritmo bioinspirado projetado para aprimorar o agrupamento integrando o aprendizado de transferência baseado em protótipo (Prototype-Based Transfer Learning, PBTL). Essa técnica usa clusters de um domínio de origem para auxiliar no agrupamento de dados em um domínio de destino. O modelo TRUNC é uma rede neural feedforward de camada única com uma abordagem do tipo "o vencedor leva tudo", desenvolvida especificamente para tarefas de agrupamento. A eficácia do algoritmo foi testada em conjuntos de dados sintéticos e do mundo real. Os resultados mostram que o TRUNC supera os métodos tradicionais de agrupamento em termos de precisão, informações mútuas normalizadas e pontuações do Rand Index. Em particular, o TRUNC apresentou tempos de convergência menores, mantendo desempenho competitivo em dados do mundo real. A dissertação também discute a sensibilidade do parâmetro de aprendizagem de transferência ($lambda$) e fornece avaliações detalhadas para demonstrar a robustez e a capacidade de generalização do TRUNC. Pesquisas futuras visam explorar a integração do TRUNC com outros algoritmos bioinspirados e otimizar o parâmetro de aprendizagem de transferência $lambda$ para melhor adaptabilidade em diversos conjuntos de dados. No geral, o estudo confirma que incorporar TL em tarefas de agrupamento não supervisionadas oferece uma abordagem promissora para melhorar a eficiência e a precisão em modelos de aprendizagem de máquina Ver menos

Abstract: This study explores the use of Transfer Learning (TL) in unsupervised Machine Learning (ML), focusing on clustering tasks. Unsupervised learning models, which work with unlabeled data, aim to uncover patterns and group data based on similarities. TL, which leverages knowledge from pre-trained models in a source domain, can improve the performance of clustering algorithms in target domains, especially when data is limited or of poor quality. The dissertation presents TRUNC (Transfer Learning-Based Unsupervised Network for Data Clustering), a bioinspired algorithm designed to enhance clustering by integrating prototype-based transfer learning (PBTL). This technique uses clusters from a source domain to assist in clustering data in a target domain. The TRUNC model is a single-layer feedforward neural network with a winner-takes-all approach, specifically developed for clustering tasks. The algorithm’s effectiveness was tested on both synthetic and real-world datasets. The results show that TRUNC outperforms traditional clustering methods in terms of accuracy, normalized mutual information, Rand Index, adjusted Rand Index and average silhouette scores. In particular, TRUNC demonstrated faster convergence times while maintaining competitive performance on real-world data. The dissertation also discusses the sensitivity of the transfer learning parameter ($lambda$) and provides detailed evaluations to demonstrate TRUNC’s robustness and generalization ability. Future research aims to explore the integration of TRUNC with other bioinspired algorithms and to optimize the transfer learning parameter $lambda$ for better adaptability in diverse datasets. Overall, the study confirms that incorporating TL into unsupervised clustering tasks offers a promising approach for improving efficiency and accuracy in machine learning models Ver menos