{"status":"ok","message-type":"work","message-version":"1.0.0","message":{"indexed":{"date-parts":[[2024,9,7]],"date-time":"2024-09-07T11:25:48Z","timestamp":1725708348785},"reference-count":0,"publisher":"Sociedade Brasileira de Computa\u00e7\u00e3o - SBC","content-domain":{"domain":[],"crossmark-restriction":false},"short-container-title":[],"abstract":"O treinamento das Redes Neurais Convolucionais (CNN) requer o ajuste de hiperpar\u00e2metros. As solu\u00e7\u00f5es existentes para auxiliar a escolha das melhores combina\u00e7\u00f5es de hiperpar\u00e2metros definem uma representa\u00e7\u00e3o pr\u00f3pria para modelar os relacionamentos de deriva\u00e7\u00e3o dos dados. Essa representa\u00e7\u00e3o propriet\u00e1ria dificulta a an\u00e1lise de dados e a interoperabilidade. Este artigo prop\u00f5e a CNNProv, que adota o padr\u00e3o W3C PROV para representar relacionamentos de deriva\u00e7\u00e3o de dados para facilitar a an\u00e1lise das combina\u00e7\u00f5es de hiperpar\u00e2metros, contribuindo assim para a fase de treinamento das CNNs. A CNNProv captura dados de proveni\u00eancia e permite a an\u00e1lise de valores de hiperpar\u00e2metros durante a execu\u00e7\u00e3o. Os experimentos mostram a adequa\u00e7\u00e3o do W3C PROV para a an\u00e1lise de hiperpar\u00e2metros e contribui para a qualidade e confiabilidade dos resultados de CNN, com overhead desprez\u00edvel de at\u00e9, no m\u00e1ximo, 4%.<\/jats:p>","DOI":"10.5753\/sbbd.2019.8827","type":"proceedings-article","created":{"date-parts":[[2020,1,27]],"date-time":"2020-01-27T11:33:17Z","timestamp":1580124797000},"page":"223-228","source":"Crossref","is-referenced-by-count":2,"title":["An\u00e1lise de Hiperpar\u00e2metros em Aplica\u00e7\u00f5es de Aprendizado Profundo por meio de Dados de Proveni\u00eancia"],"prefix":"10.5753","author":[{"given":"D\u00e9bora B.","family":"Pina","sequence":"first","affiliation":[]},{"given":"Liliane","family":"Neves","sequence":"additional","affiliation":[]},{"given":"Aline","family":"Paes","sequence":"additional","affiliation":[]},{"given":"Daniel","family":"de Oliveira","sequence":"additional","affiliation":[]},{"given":"Marta","family":"Mattoso","sequence":"additional","affiliation":[]}],"member":"3742","published-online":{"date-parts":[[2019,10,7]]},"event":{"name":"Simp\u00f3sio Brasileiro de Banco de Dados","number":"34","location":"Brasil","acronym":"SBBD 2019"},"container-title":["Anais do XXXIV Simp\u00f3sio Brasileiro de Banco de Dados (SBBD 2019)"],"original-title":[],"link":[{"URL":"https:\/\/sol.sbc.org.br\/index.php\/sbbd\/article\/download\/8827\/8728","content-type":"application\/pdf","content-version":"vor","intended-application":"text-mining"},{"URL":"https:\/\/sol.sbc.org.br\/index.php\/sbbd\/article\/download\/8827\/8728","content-type":"unspecified","content-version":"vor","intended-application":"similarity-checking"}],"deposited":{"date-parts":[[2024,1,29]],"date-time":"2024-01-29T16:12:19Z","timestamp":1706544739000},"score":1,"resource":{"primary":{"URL":"https:\/\/sol.sbc.org.br\/index.php\/sbbd\/article\/view\/8827"}},"subtitle":[],"short-title":[],"issued":{"date-parts":[[2019,10,7]]},"references-count":0,"URL":"https:\/\/doi.org\/10.5753\/sbbd.2019.8827","relation":{},"subject":[],"published":{"date-parts":[[2019,10,7]]}}}