Extending Wisard To Perform Ensemble Learning, Regression, Multi-Label and Multi-Modal Tasks

Wilkie, Stonham and Aleksander’s Recognition Device (WiSARD) é um modelo de aprendizado de máquina que não necessita de nenhum tipo de técnica de minimização de erro para aprender padrões. Este modelo utiliza RAMs como neurônios, sendo necessário apenas um processo de escrita em memória na sua fase de treinamento e leitura em memória na sua fase de classificação. WiSARD é uma rede neural sem peso, um tipo de modelo que tem sido usado exitosamente em pesquisas sobre arquiteturas cognitivas e consciência artificial. Esta tese propõe várias extensões para este modelo de forma a criar os componentes necessários para uma futura arquitetura cognitiva direcionada a emoções baseada em WiSARD. As contribuições deste trabalho incluem dois sistemas de classificação multi-rótulo utilizando WiSARD, cinco novos tipos de comitês utilizando tanto WiSARD, quanto sua extensão ClusWiSARD, dois modelos de regressão não-paramétrica e um de regressão logística baseados em WiSARD e um sistema multi-modal de predição de empatia baseado sem peso. Esta tese utiliza uma implementação da WiSARD baseada em tabelas de dispersão, instanciando apenas as posições de memória que foram de fato treinadas. Todos os modelos e sistemas criados para esta tese foram comparados com o estado-da-arte, sendo competitivos em alguns casos, enquanto preservam todas as qualidades da WiSARD canônica.