Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº  1.924

Aluno: Heitor Rapela Medeiros
Orientador: Prof. Hansenclever de França Bassani
Título: Deep Clustering Self-Organizing Maps with Relevance Learning
Data: 16/09/2020
Hora/Local: 15h – Virtual –  https://meet.google.com/ath-zfme-rue
Banca Examinadora:
Prof. Tsang Ing Ren  (UFPE / Centro de Informática)
Prof. Guilherme de Alencar Barreto ( UFC / Departamento de Engenharia de Teleinformática)
Prof. Hansenclever de França Bassani (UFPE / Centro de Informática)


RESUMO:

Nos últimos anos, com o avanço da internet, houve um aumento na quantidade 
de dados disponíveis. Paralelamente, várias fontes de dados começaram a 
gerar dados de todos os tipos. Extrair informações úteis de dados é um 
problema desafiador na aprendizagem de máquina. O foco emergente na 
pesquisa da aprendizagem de máquina tem sido o campo do aprendizado 
profundo, que visa aprender várias camadas de abstrações que podem ser 
usadas para interpretar dados e realizar tarefas complexas. Na verdade, os 
resultados de sucesso da aprendizadem profunda dependem do campo 
supervisionado, que precisa de uma grande quantidade de dados rotulados. 
Modelos de aprendizagem profunda não supervisionados têm sido propostos 
para lidar com dados sem a necessidade de anotações, que incorporam os 
próprios dados como uma pista para orientar o processo de aprendizagem. 
Dessa forma, esta Dissertação apresenta o Deep Clustering Self-Organizing 
Map with Relevance Learning (DCSOM-RL), um modelo de aprendizagem não 
supervisionado capaz de trabalhar com dados complexos, como imagens e sons, 
enquanto aprende representações mais adequadas para agrupamento em espaços 
latentes. A abordagem proposta combina arquiteturas de aprendizagem 
profunda, como Autoencoders, com uma camada SOM com topologia variável no 
tempo. Os resultados mostram que os protótipos identificados pelo DCSOM-RL 
representam variações frequentes observadas nos dados de entrada. Por 
exemplo, as diferentes formas de representar um dado de entrada. Também 
pode trazer insights sobre semelhanças entre diferentes categorias ou 
representações de features e quais dimensões do espaço latente capturam 
informações importantes. A vizinhança aprendida pelo DCSOM-RL leva a 
regiões mais suaves de transição entre categorias no espaço latente. Embora 
não apresente resultados estado da arte em termos de métricas de avaliação, 
a análise qualitativa mostra que o modelo apresenta propriedades únicas não 
disponíveis em outros métodos de Deep Clustering.

Palavras-chave: Self-Organizing Maps. SOM.  Aprendizagem Não 
Supervisionada. Agrupamento. Aprendizagem Profunda. Autoencoder. Espaço 
Latente.

Comentários desativados