Banca de DEFESA: DAVID LOPES DE MACEDO

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : DAVID LOPES DE MACEDO
DATA : 27/06/2022
HORA: 14:00
LOCAL: Virtual
TÍTULO:

Towards Robust Deep Learning usingEntropic Losses

PALAVRAS-CHAVES:

^{Aprendizado Profundo Robusto, Detecção de Fora da Distribuição, Estimação de Incerteza, Perda de Maximização de Isotropia, Perda de Maximização de Isotropia Melhorada, Perda de Maximização de Distinção, Princípio da Entropia Máxima.}

PÁGINAS: 175
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.

MEMBROS DA BANCA:
Externo à Instituição - RICARDO MATSUMURA DE ARAÚJO - UFPel
Presidente - 1699034 - ADRIANO LORENA INACIO DE OLIVEIRA
Externo à Instituição - BYRON LEITE DANTAS BEZERRA - UPE
Externo à Instituição - JOÃO FAUSTO LORENZATO DE OLIVEIRA
Interno - 1511095 - TSANG ING REN