Sobre a influência de modelos Markovianos no treinamento de máquinas de Boltzmann restritas

• Processo: 15/00478-3
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de junho de 2015
• Data de Término da vigência: 31 de janeiro de 2016
• Área de 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 Treinamento Máquinas de Boltzmann restritas Processos de Markov Unidade de processamento gráfico Metodologia e técnicas de computação
• Palavra(s)-Chave do Pesquisador: Aprendizado em Profundidade | Reconhecimento de Padrões | Processamento Gráfico

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.