Instrumentação das Técnicas Árvore de Decisão e KerasTuner para Autoajuste de Redes Neurais Recorrentes GRU na Perspectiva de Computação Sustentável
Resumo
Este estudo compara o desempenho de duas abordagens para ajuste de hiperparâmetros em modelo de predição com RNN GRU: uma utilizando KerasTuner e outra empregando Árvores de Decisão. A instrumentação foi realizada com a ferramenta Perf para avaliar a eficiência das abordagens perante conjuntos de dados de diferentes dimensões. Os resultados indicam que a combinação de GRU com Árvores de Decisão reduz o tempo de execução em até 30% em comparação à combinação de GRU com KerasTuner, consumindo menos instruções e assim evidenciando-se como uma solução mais eficiente e alinhada aos princípios de computação sustentável.
Palavras-chave:
Aplicações de Computação de Alto Desempenho em Ciências e Engenharias, Aprendizado de Máquina e Computação de Alto Desempenho, Avaliação, Medição e Predição de Desempenho, Ciência de Dados e Computação de Alto Desempenho
Referências
Durgante, B. O., Lemos, D. L., Perez, N. B., and Pinho, L. B. (2024). Análise instrumental de modelos rnn para agricultura digital visando computação verde. Anais do Salão Internacional de Ensino, Pesquisa e Extensão, 2(16). Acesso em: 3 fev. 2025.
Lemos, D. L., Durgante, B. O., Perez, N. B., and Pinho, L. B. (2024). Árvores de decisão como solução para ajuste de modelo de predição para agricultura digital. In Encontro de Iniciação Científica e Tecnológica do IFSul (ENCIF), Bagé, RS, Brasil.
O’Malley, T., Bursztein, E., Long, J., Chollet, F., Jin, H., Invernizzi, L., et al. (2019). Kerastuner. [link]. [online: acesso em 24-janeiro-2024].
Pinho, L. B. and Domingues Júnior, J. S. (2024). Enhancing computer architecture learning with a spiral curriculum. International Journal of Computer Architecture Education, 13(1):61–70.
Schulte, L. G., Perez, N. B., Pinho, L. B., and Trentin, G. (2019). Sistema de apoio à decisão para pecuária de precisão: Módulo para ajuste de taxa de lotação. In Anais do XV Simpósio Brasileiro de Sistemas de Informação (SBSI), pages 95–102, Porto Alegre, RS, Brasil. SBC.
Science, N. C. (2023). The carbon footprint of computational research. Nature Computational Science, 3:659.
Lemos, D. L., Durgante, B. O., Perez, N. B., and Pinho, L. B. (2024). Árvores de decisão como solução para ajuste de modelo de predição para agricultura digital. In Encontro de Iniciação Científica e Tecnológica do IFSul (ENCIF), Bagé, RS, Brasil.
O’Malley, T., Bursztein, E., Long, J., Chollet, F., Jin, H., Invernizzi, L., et al. (2019). Kerastuner. [link]. [online: acesso em 24-janeiro-2024].
Pinho, L. B. and Domingues Júnior, J. S. (2024). Enhancing computer architecture learning with a spiral curriculum. International Journal of Computer Architecture Education, 13(1):61–70.
Schulte, L. G., Perez, N. B., Pinho, L. B., and Trentin, G. (2019). Sistema de apoio à decisão para pecuária de precisão: Módulo para ajuste de taxa de lotação. In Anais do XV Simpósio Brasileiro de Sistemas de Informação (SBSI), pages 95–102, Porto Alegre, RS, Brasil. SBC.
Science, N. C. (2023). The carbon footprint of computational research. Nature Computational Science, 3:659.
Publicado
23/04/2025
Como Citar
LEMOS, Davi Lopes; DURGANTE, Bianca de Oliveira; CORREIA, Matheus Caneda; PEREZ, Naylor Bastiani; PINHO, Leonardo Bidese de.
Instrumentação das Técnicas Árvore de Decisão e KerasTuner para Autoajuste de Redes Neurais Recorrentes GRU na Perspectiva de Computação Sustentável. In: ESCOLA REGIONAL DE ALTO DESEMPENHO DA REGIÃO SUL (ERAD-RS), 25. , 2025, Foz do Iguaçu/PR.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 81-84.
ISSN 2595-4164.
DOI: https://doi.org/10.5753/eradrs.2025.6825.
