Redes weight agnostic compositional pattern producing e sua análise para aprendizado de representações

• Processo: 19/19030-3
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
• Data de Início da vigência: 01 de dezembro de 2019
• Data de Término da vigência: 29 de fevereiro de 2020
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Moacir Antonelli Ponti
• Beneficiário: João Guilherme Madeira Araújo
• Supervisor: Claus de Castro Aranha
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Instituição Anfitriã: University of Tsukuba, Japão
• Vinculado à bolsa: 18/22191-6 - Aprendendo conceitos a partir da fusão de representações de domínios visuais distintos com aprendizado profundo, BP.IC
• Assunto(s): Aprendizado computacional Aprendizagem profunda Redes neurais (computação)
• Palavra(s)-Chave do Pesquisador: Aprendizado de representações | Deep Learning | Generative Methods | Neuroevolução | Aprendizado de máquina

Resumo

As redes neurais são ferramentas relevantes para aprender representações para diferentes tarefas. Nesse contexto, as redes de produção de padrões de composição (CPPNs) são abstrações semelhantes às redes neurais artificiais que podem ser treinadas usando métodos semelhantes para codificar padrões complexos naturais. O método canônico usado para evoluir essas redes é a evolução neural de topologias aumentadas (NEAT), mas recentemente foi desenvolvido um novo método baseado na computação de reservatórios, conhecido como busca de redes neurais agnósticas a peso (WANNS). Este projeto tem como objetivo estudar a aplicação de WANNS à evolução da topologia de CPPNs, analisando as características dos padrões gerados, em particular imagens e robôs flexíveis. Acreditamos que isso pode ter impacto no design de redes generativas e na qualidade das representações. (AU)