Avaliação de modelos de few-shot learning usando estimativas de desempenho e classificação

• Processo: 22/09913-8
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
• Data de Início da vigência: 01 de março de 2023
• Data de Término da vigência: 30 de junho de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Moacir Antonelli Ponti
• Beneficiário: Luísa Balleroni Shimabucoro
• Supervisor: Timothy Hospedales
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Instituição Anfitriã: University of Edinburgh, Escócia
• Vinculado à bolsa: 21/06462-2 - Aprendizado de representação de rascunhos e imagens para reconhecimento, busca e síntese entre-domínios, BP.IC
• Assunto(s): Aprendizagem profunda Avaliação Dados
• Palavra(s)-Chave do Pesquisador: Deep Learning | Evaluation | Few-Shot Learning | meta-learning | validation | Meta-Learning e Few-Shot Learning

Resumo

Aprendizado de Máquinas ganhou um grande destaque por sua performance excepcional em tarefas onde os dados são abundantes, como detecção de objetos e geração de texto. Contudo, muitos problemas não contam com o privilégio de possuírem grandes volumes de dados rotulados e a coleta de dados nesses domínios, mesmo que pequena, pode ser financeiramente custosa e lenta, o que é o caso em áreas como a medicina e defesa. Dessa forma, se torna crucial o desenvolvimento de técnicas para lidar com essa escassez de dados, dentre as quais podemos citar Few-Shot Learning. Entretanto, o desenvolvimento de métodos para avaliar a performance desses modelos sem a presença de um conjunto de validação robusto, o que é fundamental para a instalação de modelos em aplicações do mundo real, é deixado em segundo plano. Esse projeto busca, então, explorar diferentes métricas de performance dentro desse cenário de maneira a analisar seu comportamento e buscar novos métodos que possam proporcionar avaliações mais confiáveis e robustas de modelos de Few-Shot Learning. (AU)