14maio2026
09:30 Defesa de Mestrado sala 85 do IC2
Tema
Estudo Comparativo de Autoencoders: Reconstrução, Geração e Robustez do Espaço Latente
Aluno
Wilson Bagni Júnior
Orientador / Docente
Zanoni Dias - Coorientador: Hélio Pedrini
Breve resumo
Este trabalho apresenta um estudo comparativo abrangente entre cinco arquiteturas de autoencoders: Fully Connected Autoencoder (FCAE), Convolutional Autoencoder (CAE), Variational Autoencoder (VAE), Adversarial Autoencoder (AAE) e RealNVP Autoencoder (RealNVP-AE). O objetivo central foi investigar os compromissos existentes entre a fidelidade de reconstrução, a organização do espaço latente e a capacidade generativa desses modelos. A metodologia adotou uma abordagem experimental rigorosa utilizando a base de dados Street View House Numbers (SVHN) como cenário principal e a base Synthetic Digits (SD) para validação cruzada, variando a dimensionalidade do espaço latente entre 16 e 1.536 dimensões. Os resultados evidenciaram que os modelos determinísticos (CAE e FCAE) superaram os estocásticos na qualidade de reconstrução e na adaptação a novos domínios, enquanto o modelo probabilístico VAE apresentou superioridade na validação estatística da geração de dados, estabelecendo-se como a arquitetura mais equilibrada para tarefas generativas, apesar de produzir reconstruções com menor nitidez. Em contrapartida, a abordagem adversarial (AAE), apesar da fundamentação teórica robusta, apresentou métricas de geração inferiores ao esperado para modelos que procuram regularizar o espaço latente, destacando assim a dificuldade prática de treinamento desse modelo. Uma das principais constatações foi o colapso estrutural do RealNVP-AE em altas dimensões, indicando limitações de escalabilidade para essa classe de modelos baseados em fluxos. Adicionalmente, observou-se que a robustez a ruídos no espaço latente está mais associada à preservação da topologia dos dados do que à imposição de distribuições. Conclui-se também que o aumento da dimensionalidade nem sempre implica ganhos de desempenho, sugerindo que configurações intermediárias oferecem o melhor equilíbrio entre eficiência computacional e desempenho representacional.
Banca examinadora
Titulares:
| Zanoni Dias | IC/UNICAMP |
| Alexandre Mello Ferreira | EEP |
| Marcelo da Silva Reis | IC/UNICAMP |
Suplentes:
| Rafael de Oliveira Werneck | IC/UNICAMP |
| Ana Estela Antunes da Silva | FT/UNICAMP |