Um novo espaço de similaridade projetado para o aprendizado supervisionado de métricas profundas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/40039 https://orcid.org/0000-0001-6606-0135 |
Resumo: | No presente trabalho, propomos um novo método de aprendizagem métrica profunda que diferentemente de muitos trabalhos nesta área, define um novo espaço latente obtido por meio de um autoencoder. O novo espaço, chamado de espaço S, é dividido em diferentes regiões que descrevem as posições onde pares de objetos são similares/dissimilares. Localizamos marcadores para identificar essas regiões. Em seguida, estimamos as semelhanças entre objetos por meio de uma distribuição t-student baseada em kernel para medir a distância dos marcadores e a nova representação de dados. Assim, estimamos simultaneamente a posição dos marcadores no espaço S e representamos os objetos no mesmo espaço em nossa abordagem. Além disso, propomos uma nova função de regularização para evitar que marcadores similares entrem em colapso. Apresentamos evidências de que nossa proposta pode representar espaços complexos, por exemplo, quando grupos de objetos semelhantes estão localizados em regiões disjuntas. Comparamos nossa proposta com 9 abordagens diferentes de aprendizagem métrica a distância (quatro delas são baseadas em aprendizagem profunda) em 28 conjuntos de dados heterogêneos do mundo real. De acordo com as quatro métricas quantitativas utilizadas, nosso método supera todas as nove estratégias da literatura. Além disso, investigamos alguns estudos de caso em diferentes domínios, para verificar a eficácia de nossa proposta. |
id |
UFMG_1e60c285f3738a67b142dc0520a2f689 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/40039 |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Heitor Soares Ramos Filhohttp://lattes.cnpq.br/4978869867640619Fabiane da Silva QueirozGisele Lobo PappaAlejandro Cesar Frery Orgambidehttp://lattes.cnpq.br/3310055196036260Pedro Henrique Silva Souza Barros2022-03-11T21:51:42Z2022-03-11T21:51:42Z2021-03-05http://hdl.handle.net/1843/40039https://orcid.org/0000-0001-6606-0135No presente trabalho, propomos um novo método de aprendizagem métrica profunda que diferentemente de muitos trabalhos nesta área, define um novo espaço latente obtido por meio de um autoencoder. O novo espaço, chamado de espaço S, é dividido em diferentes regiões que descrevem as posições onde pares de objetos são similares/dissimilares. Localizamos marcadores para identificar essas regiões. Em seguida, estimamos as semelhanças entre objetos por meio de uma distribuição t-student baseada em kernel para medir a distância dos marcadores e a nova representação de dados. Assim, estimamos simultaneamente a posição dos marcadores no espaço S e representamos os objetos no mesmo espaço em nossa abordagem. Além disso, propomos uma nova função de regularização para evitar que marcadores similares entrem em colapso. Apresentamos evidências de que nossa proposta pode representar espaços complexos, por exemplo, quando grupos de objetos semelhantes estão localizados em regiões disjuntas. Comparamos nossa proposta com 9 abordagens diferentes de aprendizagem métrica a distância (quatro delas são baseadas em aprendizagem profunda) em 28 conjuntos de dados heterogêneos do mundo real. De acordo com as quatro métricas quantitativas utilizadas, nosso método supera todas as nove estratégias da literatura. Além disso, investigamos alguns estudos de caso em diferentes domínios, para verificar a eficácia de nossa proposta.We propose a novel deep metric learning method. Differently from many works in this area, we defined a novel latent space obtained through an autoencoder. The new space, namely S-space, is divided into different regions that describe the positions where pairs of objects are similar/dissimilar. We locate makers to identify these regions. We estimate the similarities between objects through a kernel-based t-student distribution to measure the markers' distance and the new data representation. We simultaneously estimate the markers' position in the S-space and represent the objects in the same space in our approach. Moreover, we propose a new regularization function to avoid similar markers to collapse altogether. We present evidence that our proposal can represent complex spaces, for instance, when groups of similar objects are located in disjoint regions. We compare our proposal to 9 different distance metric learning approaches (four of them are based on deep-learning) on 28 real-world heterogeneous datasets. According to the four quantitative metrics used, our method overcomes all the nine strategies from the literature. In addition, we investigated some case studies in different domains, to verify the effectiveness of our proposal.CNPq - Conselho Nacional de Desenvolvimento Científico e TecnológicoengUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Ciência da ComputaçãoUFMGBrasilICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃOComputação - TesesAprendizado profundo - TesesRedes neurais (Computação) - TesesDeep metric learningSimilarity spaceneural networksimilar markersUm novo espaço de similaridade projetado para o aprendizado supervisionado de métricas profundasA new similarity space tailored for supervised deep metric learninginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALdissertacao0novo_final (1).pdfdissertacao0novo_final (1).pdfapplication/pdf8005232https://repositorio.ufmg.br/bitstream/1843/40039/8/dissertacao0novo_final%20%281%29.pdf87bcfa973d8a9f36c2cea849d76d682eMD58LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/40039/9/license.txtcda590c95a0b51b4d15f60c9642ca272MD591843/400392022-03-11 18:51:42.88oai:repositorio.ufmg.br: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ório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2022-03-11T21:51:42Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Um novo espaço de similaridade projetado para o aprendizado supervisionado de métricas profundas |
dc.title.alternative.pt_BR.fl_str_mv |
A new similarity space tailored for supervised deep metric learning |
title |
Um novo espaço de similaridade projetado para o aprendizado supervisionado de métricas profundas |
spellingShingle |
Um novo espaço de similaridade projetado para o aprendizado supervisionado de métricas profundas Pedro Henrique Silva Souza Barros Deep metric learning Similarity space neural network similar markers Computação - Teses Aprendizado profundo - Teses Redes neurais (Computação) - Teses |
title_short |
Um novo espaço de similaridade projetado para o aprendizado supervisionado de métricas profundas |
title_full |
Um novo espaço de similaridade projetado para o aprendizado supervisionado de métricas profundas |
title_fullStr |
Um novo espaço de similaridade projetado para o aprendizado supervisionado de métricas profundas |
title_full_unstemmed |
Um novo espaço de similaridade projetado para o aprendizado supervisionado de métricas profundas |
title_sort |
Um novo espaço de similaridade projetado para o aprendizado supervisionado de métricas profundas |
author |
Pedro Henrique Silva Souza Barros |
author_facet |
Pedro Henrique Silva Souza Barros |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Heitor Soares Ramos Filho |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/4978869867640619 |
dc.contributor.advisor-co1.fl_str_mv |
Fabiane da Silva Queiroz |
dc.contributor.referee1.fl_str_mv |
Gisele Lobo Pappa |
dc.contributor.referee2.fl_str_mv |
Alejandro Cesar Frery Orgambide |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/3310055196036260 |
dc.contributor.author.fl_str_mv |
Pedro Henrique Silva Souza Barros |
contributor_str_mv |
Heitor Soares Ramos Filho Fabiane da Silva Queiroz Gisele Lobo Pappa Alejandro Cesar Frery Orgambide |
dc.subject.por.fl_str_mv |
Deep metric learning Similarity space neural network similar markers |
topic |
Deep metric learning Similarity space neural network similar markers Computação - Teses Aprendizado profundo - Teses Redes neurais (Computação) - Teses |
dc.subject.other.pt_BR.fl_str_mv |
Computação - Teses Aprendizado profundo - Teses Redes neurais (Computação) - Teses |
description |
No presente trabalho, propomos um novo método de aprendizagem métrica profunda que diferentemente de muitos trabalhos nesta área, define um novo espaço latente obtido por meio de um autoencoder. O novo espaço, chamado de espaço S, é dividido em diferentes regiões que descrevem as posições onde pares de objetos são similares/dissimilares. Localizamos marcadores para identificar essas regiões. Em seguida, estimamos as semelhanças entre objetos por meio de uma distribuição t-student baseada em kernel para medir a distância dos marcadores e a nova representação de dados. Assim, estimamos simultaneamente a posição dos marcadores no espaço S e representamos os objetos no mesmo espaço em nossa abordagem. Além disso, propomos uma nova função de regularização para evitar que marcadores similares entrem em colapso. Apresentamos evidências de que nossa proposta pode representar espaços complexos, por exemplo, quando grupos de objetos semelhantes estão localizados em regiões disjuntas. Comparamos nossa proposta com 9 abordagens diferentes de aprendizagem métrica a distância (quatro delas são baseadas em aprendizagem profunda) em 28 conjuntos de dados heterogêneos do mundo real. De acordo com as quatro métricas quantitativas utilizadas, nosso método supera todas as nove estratégias da literatura. Além disso, investigamos alguns estudos de caso em diferentes domínios, para verificar a eficácia de nossa proposta. |
publishDate |
2021 |
dc.date.issued.fl_str_mv |
2021-03-05 |
dc.date.accessioned.fl_str_mv |
2022-03-11T21:51:42Z |
dc.date.available.fl_str_mv |
2022-03-11T21:51:42Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/40039 |
dc.identifier.orcid.pt_BR.fl_str_mv |
https://orcid.org/0000-0001-6606-0135 |
url |
http://hdl.handle.net/1843/40039 https://orcid.org/0000-0001-6606-0135 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Ciência da Computação |
dc.publisher.initials.fl_str_mv |
UFMG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/40039/8/dissertacao0novo_final%20%281%29.pdf https://repositorio.ufmg.br/bitstream/1843/40039/9/license.txt |
bitstream.checksum.fl_str_mv |
87bcfa973d8a9f36c2cea849d76d682e cda590c95a0b51b4d15f60c9642ca272 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589355311202304 |