Defesa de Mestrado de Nathana Facion

Título do Trabalho
Arquitetura Hierárquia Profunda para aprendizado com poucos dados
Candidato(a)
Nathana Facion
Nível
Mestrado
Data
Add to Calender 2019-12-03 00:00:00 2019-12-03 00:00:00 Defesa de Mestrado de Nathana Facion Arquitetura Hierárquia Profunda para aprendizado com poucos dados Auditório 1 do IC 3 INSTITUTO DE COMPUTAÇÃO mauroesc@ic.unicamp.br America/Sao_Paulo public
Horário
14:00
Local
Auditório 1 do IC 3
Orientador(a)
Esther Luna Colombini
Banca Examinadora

* Titulares

Unidade/Instituição

Esther Luna Colombini

IC/UNICAMP

Agma Juci Machado Traina

ICMC/USP

Sandra Eliza Fontes de Avila

IC/UNICAMP

 

* Suplentes

Unidade/Instituição

Paula Dornhofer Paro Costa

FEEC/UNICAMP

Reinaldo Augusto da Costa Bianchi

FEI

Resumo

O aprendizado de conceitos nos permite construir sistemas capazes de classificar objetos, eventos ou ideias baseado no fato de que cada um possui um conjunto de características relevantes que os diferencia e que destaca suas similaridades. Atualmente existem diversas técnicas aplicadas ao aprendizado de conceitos. Contudo, em sua maioria, elas dependem de uma quantidade muito grande de dados para se obter um bom resultado, o que nem sempre é possível. Além disso, em geral, o conjunto de conceitos a ser aprendido precisa ser conhecido a priori, ou seja, precisa estar rotulado. Neste contexto, a principal vantagem das técnicas não-supervisionadas é permitir a extração de informações relevantes dos objetos e seu agrupamento para uso posterior sem conhecimento a priori. Neste trabalho propomos uma arquitetura não-supervisionada que utiliza uma Máquina de Boltzmann Profunda (DBM) e um Processo Dirichlet Hierarquico (HDP) para aprender a separar classes de objetos e observar o compartilhamento de caracterísiticas entre as mesmas. Para avaliar a possibilidade de aprender com poucos dados sobre a arquitetura proposta, utilizamos técnicas de aumento de dados e saliência associadas à rede profunda. Resultados experimentais realizados com imagens mostram que a acurácia do sistema com o protocolo proposto pode ser equivalente ou até superior aquela obtida por um sistema com quatro vezes a quantidade de exemplos apresentados em fase de treinamento.