@PHDTHESIS{ 2026:757545148,
 	title = {Inserção colaborativa de camadas em redes stacked autoencoder},
 	year = {2026},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/6958",
 	abstract = "O presente trabalho propõe um método inovador para o crescimento estruturado de redes neurais
 profundas do tipo stacked autoencoder, com o objetivo de superar limitações de abordagens
 convencionais de expansão de redes. Redes neurais profundas têm-se mostrado altamente eficazes
 em tarefas de classificação, reconhecimento de padrões e extração automática de características,
 mas a definição de topologias adequadas continua sendo um desafio. Nos métodos tradicionais,
 a inserção de novas camadas escondidas durante o treinamento frequentemente resulta no
 aumento do erro de saída e na degradação do conhecimento previamente adquirido, tornando
 dispendiosa a duração do processo de expansão e dependente de ajustes manuais complexos. O
 método desenvolvido nesta pesquisa realiza a adição paralela de uma nova camada escondida e
 de uma nova camada de saída à camada de saída já existente. Diferentemente das abordagens
 convencionais, as camadas adicionadas formam um novo fluxo de dados até a saída da rede,
 produzindo um ramo auxiliar de processamento, onde essas novas camadas aprendem sem
 degradar o conhecimento já adquirido. Com isso, a inserção desenvolvida consegue colaborar
 com as camadas já existentes, desta maneira caracterizando o método como colaborativo.
 Após a inserção, realiza-se uma etapa de integração, em que o ramo auxiliar e a camada
 de saída original são combinados de maneira a consolidar o aprendizado das novas camadas,
 garantindo que o erro global da rede apresente comportamento decrescente e, ao mesmo
 tempo, mantendo a estabilidade do aprendizado. Ao término do processo, a camada de saída
 anterior torna-se parte da nova camada escondida, formando uma rede com uma única camada
 de saída. O método proposto foi avaliado em diferentes conjuntos de dados de classificação,
 demonstrando sua capacidade de preservar o aprendizado previamente consolidado, de reduzir
 o erro de saída de maneira consistente e de manter a estabilidade durante a expansão da
 rede. Os resultados indicam que o método oferece uma alternativa robusta para a expansão
 automática de redes neurais adaptativas, aumentando a eficiência no consumo de tempo do
 treinamento, reduzindo a necessidade de ajustes manuais e promovendo maior flexibilidade e
 confiabilidade em aplicações de classificação e reconhecimento de padrões.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET},
 	note = {DEPARTAMENTO DE INFORMÁTICA/CCET}
}