Ajuste de redes neurais prototípicas utilizando metaheurísticas

• Processo: 20/16092-5
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de março de 2021
• Data de Término da vigência: 28 de dezembro de 2022
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: João Paulo Papa
• Beneficiário: Giovani Candido
• 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
• Bolsa(s) vinculada(s): 22/06772-4 - Aprimorando o desempenho das redes prototípicas em tarefas de classificação few-shot de imagens com a programação genética, BE.EP.IC
• Assunto(s): Aprendizado computacional Redes neurais (computação) Reconhecimento de padrões Meta-heurística Metodologia e técnicas de computação Otimização Protótipo
• Palavra(s)-Chave do Pesquisador: Metaheurísticas | Reconhecimento de Padrões | Aprendizado de máquina

Resumo

Aprendizado supervisionado em um pequeno conjunto de dados, do Inglês few-shot learning, objetiva tratar situações em que apenas algumas poucas amostras rotuladas estão disponíveis para o aprendizado do modelo. Dentre as principais aplicações, podemos citar aquelas que fazem uso de dados médicos, em que, muitas vezes, amostras positivas para uma determinada enfermidade de interesse são escassas e difíceis de serem obtidas. Dentre as abordagens recentes que despertaram interesse da comunidade científica, podemos citar as Redes Neurais Prototípicas, que mapeiam as amostras do conjunto de treinamento com base em exemplos protótipos para cada classe em um outro espaço amostral. Tais exemplos correspondem, basicamente, às médias das amostras disponíveis para cada rótulo individualmente. Um grande problema de tal abordagem, muito embora simples e com resultados promissores, é que ela não considera que amostras de uma determinada classe podem contribuir de maneira diferente quando do cálculo do seu protótipo. Assim sendo, a presente proposta de projeto de pesquisa de iniciação científica objetiva modelar a tarefa de encontrar a importância de cada amostra de treinamento como sendo um problema de otimização por metaheurísticas; em específico, estamos interessados em técnicas evolutivas. A abordagem proposta será avaliada em dois tipos de tarefas: (I) bases de dados de propósito geral e (II) classificação de imagens endoscópicas. Além disso, a proposta prevê um estágio no exterior junto à Universidade do País Basco, Espanha.