Defesa de Doutorado de Luis Augusto Martins Pereira

Título do Trabalho
Domain Adaptation via Subspace Learning and Kernel Methods
Candidato(a)
Luis Augusto Martins Pereira
Nível
Doutorado
Data
Add to Calender 2018-07-27 00:00:00 2018-07-27 00:00:00 Defesa de Doutorado de Luis Augusto Martins Pereira Domain Adaptation via Subspace Learning and Kernel Methods Sala 85 IC 2 INSTITUTO DE COMPUTAÇÃO mauroesc@ic.unicamp.br America/Sao_Paulo public
Horário
14:00
Local
Sala 85 IC 2
Orientador(a)
Ricardo da Silva Torres
Banca Examinadora

Condição

Titulares  - Professores Doutores

Unidade/Instituição

Presidente

Hélio Pedrini

IC/UNICAMP

Membro

Aparecido Nilceu Marana

DC/UNESP

Alexandre Luís Magalhães Levada

DC/UFSCAR

Membro

Marco Antonio Garcia de Carvalho

FT/UNICAMP

Roberto Alencar Lotufo

FEEC/UNICAMP

 

Condição

Suplentes  - Professores Doutores

Unidade/Instituição

Suplente

Anderson de Rezende Rocha

IC/UNICAMP

Marcos Vinicius Mussel Cirne

IC/UNICAMP

Suplente

Tiago José de Carvalho

IFSP

Resumo

O deslocamento de domínio é um fenômeno observado quando dois domínios relacionados -- um domínio fonte (conjunto de treinamento) e um alvo (conjunto de teste) -- apresentam uma diferença entre suas distribuições de probabilidade marginal. Este fenômeno é prevalente em aprendizado de máquina, particularmente em aplicações do mundo real. Em visão computacional, por exemplo, o deslocamento de domínio ocorre essencialmente porque os dados visuais podem ser capturados por diferentes dispositivos e sob condições variadas de imageamento, como cena, pose e iluminação. Na presença de deslocamento de domínio, no entanto, classificadores convencionais geralmente não atingem desempenhos desejáveis na fase de teste. Isto ocorre porque pressupõem um ambiente estacionário, ou seja, o domínio fonte e o alvo são supostamente amostrados da mesma distribuição de probabilidade. Como superar a limitação imposta por esse pressuposto é a questão que orienta este estudo.

Aqui, apresento mecanismos algorítmicos para abordar o problema de deslocamento de domínio, aumentando, assim, os desempenhos de classificação. Os algoritmos foram propostos sob o paradigma semi-supervisionado, no qual estão disponíveis um domínio fonte totalmente rotulado e um domínio alvo parcialmente rotulado para guiar a adaptação de domínio. O problema de deslocamento de domínio é atacado por esses algoritmos de duas maneiras diferentes: i) aprendendo uma nova representação de características invariante entre os domínios; e ii) combinando uma nova representação de características com um modelo de adaptação domínio. Nesse contexto, concluo que o aprendizado semi-supervisionado de características através de um subespaço restringido por vínculos semânticos entre domínios -- ou seja, restrições em pares entre os domínios -- é um mecanismo efetivo para reduzir o deslocamento de domínio. Além disso, mostro que características invariantes extraídas em um Espaço de Hilbert Reproduzido por Kernel beneficiam modelos de adaptação de domínio de margem máxima.