Notícias Notícias

Voltar

Pós-Graduação em Ciência da Computação realiza defesa de tese de doutorado

A defesa acontece na segunda-feira (27), às 14h, via Google Meet

O Programa de Pós-Graduação em Ciência da Computação da UFPE realiza a defesa de tese de doutorado do aluno David Lopes de Macêdo, na segunda-feira (27), às 14h. A defesa será on-line, via plataforma Google Meet. Os interessados em assistir devem entrar em contato com o aluno através do e-mail dlm@cin.ufpe.br. É recomendado aos que se entre na sala virtual com o microfone e câmera desligados.

Com o título “Towards Robust Deep Learning using Entropic Losses”, a tese contou com a orientação da professora Teresa Bernarda Ludermir e coorientação do professor Cleber Zanchettin. A banca examinadora conta com os professores Adriano Lorena Inácio de Oliveira (UFPE/Centro de Informática), Tsang Ing Ren (UFPE/Centro de Informática), Ricardo Matsumura de Araújo (UFPel/Centro de Desenvolvimento Tecnológico), Byron Leite Dantas Bezerra (UPE/Escola Politécnica de Pernambuco) e João Fausto Lorenzato de Oliveira (UPE/Escola Politécnica de Pernambuco).

Resumo

Apesar das conquistas teóricas e resultados práticos encorajadores, o aprendizado profundo ainda apresenta limitações em muitas áreas, como raciocínio, inferência causal, interpretabilidade e explicabilidade. Do ponto de vista da aplicação, uma das restrições mais impactantes está relacionada à robustez desses sistemas. De fato, as soluções atuais de aprendizado profundo são bem conhecidas por não informar se podem classificar um exemplo de maneira confiável durante a inferência. As redes neurais modernas geralmente são superconfiantes, mesmo quando estão erradas. Portanto, construir aplicativos robustos de aprendizado profundo é atualmente um tópico de pesquisa de ponta em visão computacional, processamento de linguagem natural e muitas outras áreas. Uma das maneiras mais eficazes de construir soluções de aprendizado profundo mais confiáveis é melhorar seu desempenho na chamada tarefa de detecção fora de distribuição, que consiste essencialmente em “saber que você não sabe”' ou “conhecer o desconhecido”'. Em outras palavras, sistemas com capacidade de detecção fora de distribuição podem rejeitar a realização de uma classificação sem sentido quando submetidos a instâncias de classes nas quais a rede neural não foi treinada. Esta tese aborda a desafiadora tarefa de detecção fora da distribuição, propondo novas funções de perda e pontuações de detecção. A estimativa de incerteza também é uma tarefa auxiliar crucial na construção de sistemas de aprendizado profundo mais robustos. Portanto, tratamos também dessa tarefa relacionada à robustez, que avalia quão realistas são as probabilidades apresentadas pela rede neural profunda. Para demonstrar a eficácia de nossa abordagem, além de um conjunto substancial de experimentos, que incluí resultados estado da arte, utilizamos argumentos baseados no princípio da máxima entropia para estabelecer a fundamentação teórica das abordagens propostas. Ao contrário da maioria dos métodos atuais, além de apresentarem inferência rápida e eficiente, nossas perdas e pontuações são soluções baseadas em princípios e não produzem efeitos colaterais indesejados. Além disso, nossas abordagens podem ser incorporadas em projetos atuais e futuros simplesmente substituindo a perda usada para treinar a rede neural profunda e computando uma pontuação rápida para detecção.

Data da última modificação: 22/06/2022, 16:03