Investigation of Self-Supervised Approaches Using Rank-Based Measures

• Processo: 23/08150-3
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de julho de 2023
• Data de Término da vigência: 30 de junho de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Daniel Carlos Guimarães Pedronette
• Beneficiário: Guilherme Henrique Jardim
• Instituição Sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
• Vinculado ao auxílio: 18/15597-6 - Aplicação e investigação de métodos de aprendizado não-supervisionado em tarefas de recuperação e classificação, AP.JP2
• Assunto(s): Recuperação da informação
• Palavra(s)-Chave do Pesquisador: auto-supervisionadas | Ranqueamento | Recuperação da Informação

Resumo

Apesar do progresso significativo alcançado em técnicas de aprendizado supervisionado, a necessidade de extensos conjuntos de dados rotulados representa um gargalo severo. Nesse cenário, outros paradigmas de aprendizado capazes de lidar com o desafio associado à escassez de dados rotulados representam uma alternativa relevante. As abordagens de Aprendizado Auto-supervisionado (SSL, na sigla em inglês) têm se estabelecido como uma maneira promissora de explorar avanços em aprendizado de máquina por meio de muitos exemplos não rotulados e sem nenhum rótulo anotado por humanos. Uma vantagem relevante dos algoritmos de SSL é sua capacidade de aproveitar grandes quantidades de dados não rotulados sem a necessidade de anotações humanas para gerar pseudo-rótulos durante o treinamento. A obtenção de pseudo-rótulos efetivos desempenha um papel importante e representa um desafio fundamental para as abordagens de SSL. Por outro lado, uma alternativa promissora para representar melhor a estrutura dos conjuntos de dados baseia-se no uso de medidas de similaridade contextualmente, que têm sido aplicadas com sucesso para capturar a geometria do espaço subjacente. Neste projeto de pesquisa de graduação, pretendemos investigar o uso de medidas de similaridade contextual baseadas em ranqueamento para abordagens de aprendizado auto-supervisionado.