Prognóstico médico avançado baseado em conceitos de grafos e redes neurais artific...
- Auxílios pontuais (curta duração)
Processo: | 16/14142-0 |
Linha de fomento: | Bolsas no Exterior - Estágio de Pesquisa - Pós-Doutorado |
Vigência (Início): | 01 de dezembro de 2016 |
Vigência (Término): | 30 de novembro de 2017 |
Área do conhecimento: | Engenharias - Engenharia Elétrica |
Pesquisador responsável: | João Marcos Travassos Romano |
Beneficiário: | Michele Nazareth da Costa |
Supervisor no Exterior: | Andrzej Cichocki |
Instituição-sede: | Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil |
Local de pesquisa : | RIKEN, Japão |
Vinculado à bolsa: | 14/23936-4 - Aplicações de processamento de dados multidimensionais usando métodos tensoriais, BP.PD |
Assunto(s): | Processamento de sinais Redes neurais (computação) Aprendizado computacional Reconhecimento de padrões |
Resumo Redes neurais de aprendizagem profunda têm atraído a atenção da comunidade de aprendizagem de máquina por causa de sua estrutura de dados orientada e de seu desempenho em uma série de tarefas de reconhecimento de padrões. É bem conhecido que modernas redes neurais profundas (DNNs) são altamente redundantes e contêm centenas de milhões de parâmetros, usando toda a memória disponível de computadores. No entanto, as tentativas para diminuir a largura e profundidade das camadas de rede neural geralmente levam a queda considerável no desempenho. Para resolver estas questões, o presente projeto de pesquisa será focado em utilizar os métodos de decomposição tensoriais e redes tensoriais de posto baixo para construir uma representação compacta de DNNs. Isto permitirá a utilização de um rico conjunto de métodos oriundos da teoria de redes de tensores e o modelamento mais eficiente de arquiteturas de DNNs, o que levará a acelerar o processo de aprendizagem e operações matemáticas. Uma característica fundamental deste projeto é o desenvolvimento de novas abordagens fundamentais para treinamento, teste e armazenamento de parâmetros de DNNs usando o formalismo das redes de tensores. Estas abordagens permitirão reduzir em várias ordens de grandeza a complexidade computacional e memória necessária para o funcionamento da rede, mantendo ao mesmo tempo uma qualidade de predição. Ferramentas matemáticas e algoritmos desenvolvidos durante o projeto poderão ser usados para uma ampla gama de problemas aplicados, tais como reconhecimento de imagem, predição e clusterização. (AU) | |