Arquitetura Hierárquica Profunda para aprendizado com poucos dados

Detalhes bibliográficos
Autor(a) principal: Facion, Nathana, 1990-
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/1638085
Resumo: Orientador: Esther Luna Colombini
id UNICAMP-30_d04540058a59df982688e80687dd940b
oai_identifier_str oai::1126239
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Arquitetura Hierárquica Profunda para aprendizado com poucos dadosA Deep Hierarchical Architeture for learning with few dataInteligência artificialAprendizado profundoArtificial intelligenceDeep learningOrientador: Esther Luna ColombiniDissertação (mestrado) - Universidade Estadual de Campinas, Instituto de ComputaçãoResumo: O aprendizado de conceitos nos permite construir sistemas capazes de classificar objetos, eventos ou ideias baseado no fato de que cada um possui um conjunto de características relevantes que os diferencia e que destaca suas similaridades. Atualmente existem diversas técnicas aplicadas ao aprendizado de conceitos. Contudo, em sua maioria, elas dependem de uma quantidade muito grande de dados para se obter um bom resultado, o que nem sempre é possível. Além disso, em geral, o conjunto de conceitos a ser aprendido precisa ser conhecido a priori, ou seja, precisa estar rotulado. Neste contexto, a principal vantagem das técnicas não-supervisionadas é permitir a extração de informações relevantes dos objetos e seu agrupamento para uso posterior sem conhecimento a priori. Neste trabalho propomos uma arquitetura não-supervisionada que utiliza uma Máquina de Boltzmann Profunda (DBM) e um Processo Dirichlet Hierarquico (HDP) para aprender a separar classes de objetos e observar o compartilhamento de caracterísiticas entre as mesmas. Para avaliar a possibilidade de aprender com poucos dados sobre a arquitetura proposta, utilizamos técnicas de aumento de dados e saliência associadas à rede profunda. Resultados experimentais realizados com imagens mostram que a acurácia do sistema com o protocolo proposto pode ser equivalente ou até superior aquela obtida por um sistema com quatro vezes a quantidade de exemplos apresentados em fase de treinamentoAbstract: Concept learning allows us to build systems that can classify objects, events, or ideas based on the fact that each has a set of relevant characteristics that differentiate them and highlight their similarities. There are currently several techniques applied to concept learning. However, for the most part, they rely on too much data for a good result, which is not always possible. Besides, in general, the set of concepts to be learned needs to be known a priori, ie, it must be labeled. In this context, the main advantage of unsupervised techniques is that it allows the extraction of relevant information from objects and their grouping for later use without prior knowledge. In this work, we propose an unsupervised architecture that uses a Deep Boltzmann Machine (DBM) and a Hierarchical Dirichlet Process (HDP) to learn how to separate object classes and observe how they share features. To evaluate the possibility of learning with few data on the proposed architecture, we used data augmentation and salience techniques. Experimental results with images show that the accuracy of the system with the proposed protocol can be equivalent to or even higher than that obtained by a system with four times the amount of examples presented in the training phaseMestradoCiência da ComputaçãoMestra em Ciência da ComputaçãoCNPQ134576/2017-9FAEPEX[s.n.]Colombini, Esther Luna, 1980-Traina, Agma Juci MachadoAvila, Sandra Eliza Fontes deUniversidade Estadual de Campinas. Instituto de ComputaçãoPrograma de Pós-Graduação em Ciência da ComputaçãoUNIVERSIDADE ESTADUAL DE CAMPINASFacion, Nathana, 1990-20192019-12-03T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (134 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1638085FACION, Nathana. Arquitetura Hierárquica Profunda para aprendizado com poucos dados. 2019. 1 recurso online (134 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1638085. Acesso em: 15 mai. 2024.https://repositorio.unicamp.br/acervo/detalhe/1126239Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2021-06-30T13:40:08Zoai::1126239Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2021-06-30T13:40:08Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Arquitetura Hierárquica Profunda para aprendizado com poucos dados
A Deep Hierarchical Architeture for learning with few data
title Arquitetura Hierárquica Profunda para aprendizado com poucos dados
spellingShingle Arquitetura Hierárquica Profunda para aprendizado com poucos dados
Facion, Nathana, 1990-
Inteligência artificial
Aprendizado profundo
Artificial intelligence
Deep learning
title_short Arquitetura Hierárquica Profunda para aprendizado com poucos dados
title_full Arquitetura Hierárquica Profunda para aprendizado com poucos dados
title_fullStr Arquitetura Hierárquica Profunda para aprendizado com poucos dados
title_full_unstemmed Arquitetura Hierárquica Profunda para aprendizado com poucos dados
title_sort Arquitetura Hierárquica Profunda para aprendizado com poucos dados
author Facion, Nathana, 1990-
author_facet Facion, Nathana, 1990-
author_role author
dc.contributor.none.fl_str_mv Colombini, Esther Luna, 1980-
Traina, Agma Juci Machado
Avila, Sandra Eliza Fontes de
Universidade Estadual de Campinas. Instituto de Computação
Programa de Pós-Graduação em Ciência da Computação
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Facion, Nathana, 1990-
dc.subject.por.fl_str_mv Inteligência artificial
Aprendizado profundo
Artificial intelligence
Deep learning
topic Inteligência artificial
Aprendizado profundo
Artificial intelligence
Deep learning
description Orientador: Esther Luna Colombini
publishDate 2019
dc.date.none.fl_str_mv 2019
2019-12-03T00:00:00Z
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 https://hdl.handle.net/20.500.12733/1638085
FACION, Nathana. Arquitetura Hierárquica Profunda para aprendizado com poucos dados. 2019. 1 recurso online (134 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1638085. Acesso em: 15 mai. 2024.
url https://hdl.handle.net/20.500.12733/1638085
identifier_str_mv FACION, Nathana. Arquitetura Hierárquica Profunda para aprendizado com poucos dados. 2019. 1 recurso online (134 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1638085. Acesso em: 15 mai. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1126239
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (134 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1799138546378866688

Registros relacionados