Strategies and techniques for deep learning on small data

• Autor(a) principal: Pereira, Rafael Silva
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: eng
• Título da fonte: Biblioteca Digital de Teses e Dissertações do LNCC
• Texto Completo: https://tede.lncc.br/handle/tede/320
• topic: Small data; Few shot learning; Deep learning; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO

A construção de modelos permite a interpretação de problemas complexos. Na Ciência da Computação, tais modelos levam à concepção de algoritmos e sua implementação em sistemas computacionais, contribuindo para a solução do problema. No entanto, alguns problemas são muito complexos para serem descritos usando uma abordagem algorítmica. A introdução de métodos de aprendizado de máquina visa criar modelos baseados diretamente nos dados coletados que representam o fenômeno observado. Embora essa abordagem tenha levado a grandes avanços em muitos campos diferentes, os métodos orientados por dados geralmente requerem uma quantidade substancial de dados para compreensão do problema modelado. Neste trabalho, investigamos o problema de poucos dados para métodos de aprendizado profundo. Apresentamos estratégias para minimizar a incerteza na previsão, minimizando a variação intraclasse em tarefas de classificação, restringindo o espaço de solução com base em conhecimento prévio sobre o domínio. Além disso, discutimos os cenários de few shot learning e zero shot learning, onde objetivamos treinar classificadores robustos por meio de uma função de kernel fixa, a fim de criar um modelo que generalize para classes nas quais não foi treinado. Apresentamos experimentos para cada um destes e avaliamos suas propriedades em datasets distintos.