| Processo: | 19/02205-5 |
| Modalidade de apoio: | Bolsas no Brasil - Doutorado |
| Data de Início da vigência: | 01 de maio de 2019 |
| Data de Término da vigência: | 31 de julho de 2021 |
| Área de conhecimento: | Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação |
| Pesquisador responsável: | João Paulo Papa |
| Beneficiário: | Gustavo Henrique de Rosa |
| Instituição Sede: | Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , SP, Brasil |
| Vinculado ao auxílio: | 14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?, AP.TEM |
| Assunto(s): | Reconhecimento de padrões Processamento de linguagem natural Aprendizado computacional Memória de longo prazo Redes neurais (computação) |
| Palavra(s)-Chave do Pesquisador: | Aprendizado Adversarial | Aprendizado de Máquina | Geração Automática de Texto | Processamento de Linguagem Natural | Sumarização de Texto | Reconhecimento de Padrões |
Resumo Técnicas de aprendizado de máquina têm sido amplamente pesquisadas nos últimos anos, essencialmente devido à sua alta eficácia em problemas de visão computacional e Processamento de Linguagem Natural (PLN). Entretanto, apesar do seu elevado poder discriminativo, suas capacidades generativas ainda estão distantes de um desempenho exemplar para determinadas aplicações, principalmente aquelas relacionadas à área de mineração de dados textuais. O maior contratempo ocorre quando essas técnicas são confrontadas com estruturas discretas como, por exemplo, sequências de caracteres ou palavras. Muito embora recentemente alguns trabalhos tenham apresentado soluções plausíveis para a geração de linguagem natural, os mesmos ainda não conseguiram gerar uma linguagem completamente `natural´, isto é, uma linguagem a qual seja morfologicamente adequada, sintaticamente correta e semanticamente compreensível. Ademais, outro problema frequente na área de PLN diz respeito à escassez de dados para alimentar arquiteturas de aprendizado em profundidade. Utilizado com bastante sucesso na área de processamento de imagens para geração de dados sintéticos, o aprendizado adversarial ainda não evoluiu satisfatoriamente na área de dados textuais, gerando textos com palavras repetidas e, muitas vezes, sem um significado semântico. Desta forma, o presente projeto de pesquisa objetiva atuar na vanguarda do estudo e desenvolvimento de modelos adversariais no contexto de processamento de linguagem natural. Serão estudadas, principalmente, redes generativas adversariais e redes neurais recorrentes, com especial atenção às redes de memória de longo prazo. O presente projeto de pesquisa também contempla um período de estágio junto à Stanford University, Estados Unidos. (AU) | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |