Estudo de Semântica em Modelos de Aprendizado em Profundidade

Resumo

Arquiteturas de aprendizado em profundidade têm sido amplamente estudadas nos últimos anos, principalmente pelo seu alto poder discriminativo e eficácia em muitos problemas considerados essenciais na área de visão computacional como, por exemplo, reconhecimento de faces, pessoas e objetos, dentre outros. Entretanto, um problema desses modelos diz respeito ao grande número de parâmetros a serem ajustados, que podem chegar a milhares. Um outro ponto crítico está relacionado à necessidade de grandes bases de dados para treinar essas técnicas de aprendizado em profundidade, bem como a sua alta propensão ao chamado super-treinamento dos dados devido, principalmente, à sua complexa arquitetura. Muito embora, recentemente, alguns trabalhos tenham apresentado possíveis soluções para amenizar o problema do super-treinamento, essas abordagens ainda possuem um número considerável de parâmetros que precisam ser ajustados, e que dependem de um conhecimento prévio da ferramenta a ser utilizada. O presente projeto de pesquisa objetiva um estudo na linha de "como podemos entender melhor" essas arquiteturas e, consequentemente, "aprender como elas aprendem", ou seja, quais são seus pontos fortes (que devem ser valorizados) e seus pontos fracos (que devem ser contornados). Técnicas como Máquinas de Boltzmann Restritas e Redes de Crença em Profundidade serão estudadas no intuito de aprender o seu comportamento por meio de otimização por meta-heurísticas. O presente projeto de pesquisa também contempla um período de estágio no exterior junto à Universidade de Middlesex, Inglaterra.