Buscando Robustez em Arquiteturas de Aprendizagem Profunda para Aplicações e-Science

Resumo

Arquiteturas de aprendizagem profunda, mais conhecidas como deep learning e em especial as redes neurais convolucionais (CNNs) são responsáveis pelo grande avanço das pesquisas nas áreas de visão computacional e aprendizagem de máquina dos últimos tempos. Esse fato se dá pelos excelentes resultados obtidos por essas redes em diferentes domínio de aplicações. O ressurgimento das CNNs ocorre em 2012, quando aparece para o mundo a arquitetura AlexNet, conseguindo reduzir a taxa de erros da competição ImageNet em 10% na tarefa de reconhecimento de grande volume de dados. Esse surpreendente resultado atraiu olhares da comunidade cient1fica para essas redes de aprendizagem profunda e em pouco tempo, a taxa de erros caiu para 7,3% e hoje o desafio está praticamente solucionado com taxas de erros menores que 3%. Em 2014, um grupo de pesquisas da Google observou que diversos modelos de aprendizagem de máquina eram vulneráveis a exemplos chamados adversariais. A adição proposital de imperceptível ruído em imagens bastava para confundir qualquer modelo de aprendizagem treinado. Este fato alavancou uma nova linha de pesquisa, reconhecimento de padrão adversarial, que visa a criação de modelos de aprendizagem robustos aos dados de distribuição diferente daquela utilizada na etapa de treinamento (exemplos adversariais). Esse comportamento indesejado das CNNs, observado na literatura, pode ser causado por problemas ocorridos em vários momentos ao longo do processo de aprendizagem. Neste sentido, este projeto de pesquisa tem como objetivo estudar, avaliar e desenvolver novas abordagens de aprendizagem profunda mais robustas aos exemplos adversariais e assim, melhorar os resultados de eficácia na tarefa de classificação de dados multimídias em aplicações reais do domínio e-Science.