Busca avançada
Ano de início
Entree

Sobre a influência de modelos markovianos no treinamento de Máquinas de Boltzmann Restritas

Processo: 15/00478-3
Linha de fomento:Bolsas no Brasil - Iniciação Científica
Vigência (Início): 01 de junho de 2015
Vigência (Término): 31 de janeiro de 2016
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:João Paulo Papa
Beneficiário:Nathalia Queiroz Ascenção
Instituição-sede: Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , SP, Brasil
Assunto(s):Reconhecimento de padrões

Resumo

Técnicas de aprendizado em profundidade tem sido amplamente investigadas pela comunidade científica nos últimos anos, principalmente devido ao seu bom desempenho em tarefas tidas como essenciais em diversas aplicações, tais como reconhecimento de faces e comandos por voz, bem como classificação de objetos. Um dos métodos mais empregados é o das Máquinas de Boltzmann Restritas, do inglês Restricted Boltzmann Machines (RBMs), as quais são, basicamente, redes neurais estocásticas que objetivam estimar os pesos das conexões entre camadas distintas utilizando técnicas de amostragem em cadeias de Markov. Atualmente, grande parte dos trabalhos científicas tem concentrado sua atenção em métodos de amostragem nessas cadeias, dado que a sua eficiência e eficácia estão intimamente ligados ao sucesso do processo de treinamento de uma RBM. Assim, o presente projeto de pesquisa visa estudar três dos principais métodos empregados atualmente nesta tarefa, sendo eles o método da Divergência Contrastiva, Método da Divergência Contrastiva Persistente, e Método da Divergência Contrastiva Persistente Rápida. Pretende-se, assim, traçar paralelos em relação a cada uma dessas técnicas na tarefa de reconstrução de imagens binárias, bem como avaliar a sua robustez na presença de ruídos.