Redes adversárias generativas: uma alternativa para modelagem de dados de entrada em projetos de simulação

• Ano de defesa: 2022
• Autor(a) principal: CAMPOS, Afonso Teberga
• Orientador(a): MONTEVECHI, José Arnaldo Barra
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Itajubá
• Programa de Pós-Graduação: Programa de Pós-Graduação: Mestrado - Engenharia de Produção
• Departamento: IEPG - Instituto de Engenharia de Produção e Gestão
• País: Brasil
• Palavras-chave em Português: Simulação a eventos discretos; Modelagem de dados de entrada; Generative adversarial networks
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO
• Link de acesso: https://repositorio.unifei.edu.br/jspui/handle/123456789/3441

De forma geral, a simulação estocástica consiste em dados de entrada e lógicas, sendo os primeiros as fontes básicas de incerteza em um modelo de simulação. Por essa razão, a modelagem de dados é uma etapa essencial no desenvolvimento de projetos na área. Muitos avanços foram observados nos últimos anos nos programas de simulação e em ferramentas para coleta. Porém, os métodos para modelagem de dados permanecem praticamente inalterados há mais de 30 anos. Em seu dia a dia, praticantes de simulação enfrentam dificuldades relacionadas à escolha de Modelos de Dados de Entrada (MDEs), principalmente devido ao desafio da modelagem de dados não Independentes e Identicamente Distribuídos (IID), o que requer ferramentas específicas e não oferecidas por programas de simulação e seus pacotes de estatísticos. Por essa razão, poucos estudos consideram elementos de complexidade como heterogeneidades, dependências e autocorrelações, subestimando a incerteza do sistema estocástico. Diante dos novos desenvolvimentos na área de Inteligência Artificial, é possível buscar sinergias para resolução desse problema. O presente estudo tem como objetivo avaliar os resultados da aplicação de Redes Adversárias Generativas, ou Generative Adversarial Networks (GANs) para obtenção de MDEs. Tais redes constituem uma das mais recentes arquiteturas de redes neurais artificiais, sendo capazes de aprender distribuições complexas e, com isso, gerar amostras sintéticas com o mesmo comportamento dos dados reais. Para tanto, esta tese propõe um método para Modelagem de Dados de Entrada baseado em GANs (MDEGANs) e o implementa por meio da linguagem Python. Considerando uma série de objetos de estudo teóricos e reais, são avaliados os resultados em termos de qualidade de representação dos MDEs e realizadas comparações com métodos tradicionais. Como principal conclusão, foi possível identificar que a aplicação de MDE-GANs permite obter MDEs com forte acurácia, superando os resultados dos métodos tradicionais nos casos de dados não IID. Com isso, a presente tese contribui ao oferecer uma nova alternativa para a área, capaz de contornar alguns dos desafios enfrentados por modeladores.