Extração de características em dados tabulares : abordagem com redes neurais convolucionais e pooling adaptativo.

Abstract

Neste estudo, é proposto uma arquitetura de Redes Neurais Convolucionais para a extração de características (features) em dados tabulares. Comparamos o desempenho desta arquitetura com modelos especializados desenvolvidos para essa finalidade. Introduzimos um novo método de pooling, correlation-based pooling, especialmente adaptado para dados tabulares, o qual leva em consideração as relações intrínsecas entre as features de um conjunto de dados. Adicionalmente, investigamos a eficácia do uso de redes esparsas na criação de features com baixa conectividade. Nossos resultados destacam a promissora capacidade da arquitetura proposta, a qual demonstrou um desempenho competitivo em relação aos modelos especializados. A abordagem de pooling baseada na consideração de correlações entre features exibiu uma vantagem distinta sobre as técnicas tradicionais de pooling, sugerindo um novo caminho para aprimoramentos no pré-processamento de dados tabulares. Essa abordagem oferece uma perspectiva interessante para o desenvolvimento futuro de modelos de aprendizado de máquina aplicados a dados tabulares complexos. Em suma, introduz novos conceitos e métodos que demonstraram potencial para melhorar o desempenho e a eficácia da extração de features para dados tabulares.