Busca avançada
Ano de início
Entree

Compreensão do papel de atalhos e mudanças de distribuição para generalização de redes neurais profundas

Processo: 22/09606-8
Modalidade de apoio:Bolsas no Exterior - Estágio de Pesquisa - Doutorado
Vigência (Início): 27 de outubro de 2022
Vigência (Término): 26 de abril de 2023
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação
Pesquisador responsável:Sandra Eliza Fontes de Avila
Beneficiário:Alceu Emanuel Bissoto
Supervisor: Ana Catarina Fidalgo Barata
Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
Local de pesquisa: Universidade de Lisboa, Portugal  
Vinculado à bolsa:19/19619-7 - Geração ilimitada de imagens de lesões de pele usando redes generativas adversariais, BP.DR
Assunto(s):Visão computacional   Aprendizagem profunda
Palavra(s)-Chave do Pesquisador:Computer Vision | Debiasing | distribution shift | domain generalization | generalization | shortcut learning | Deep Learning

Resumo

Técnicas de aprendizado profundo alcançaram sucesso em tarefas de visão computacional e processamento de linguagem natural. Correlações espúrias (vieses) em bases de dados são capazes de corromper modelos, causando baixa generalização a amostras de fora da distribuição, sendo um obstáculo para a aplicação de técnicas de aprendizado profundo para problemas do mundo real, como imagens médicas. Apesar da existência de algoritmos de aprendizado robusto, as performances dependem severamente de seleção de hiperparâmetros e das características dos dados e os vieses que eles apresentam. Além disso, soluções ainda dependem da anotação de fontes de vieses, e os fenômenos que permeam a literatura de generalização de modelos ainda não são compreendidos. Apesar de anos de pesquisa em generalização de domínio, a avaliação de soluções robustas mostram apenas pequenas melhoras sobre as soluções tradicionais. Nesse cenário, nós estudamos a interação entre dois importantes fenômenos: atalhos, e mudanças de distribuição. Atalhos aparecem como correlações espúrias no conjunto de treinamento, e mudanças de distribuição aparecem em conjuntos de teste de fora da distribuição. Entendemos que ao melhor caracterizar esses fenômenos, podemos propor melhores técnicas de avaliação de generalização, desenviesamento, e melhor entender o mecanismo de aprendizado de redes neurais profundas. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)