Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.288
Aluna: Maria Eduarda Barros Mota
Orientador: Prof. Cleber Zanchettin
Título: Data Augmentation as an Engine: A Multidimensional Few-Shot Analysis
Data: 10/07/2026
Hora/Local: 8h – Virtual – Interessados em assistir entrar em contato com a aluna
Banca Examinadora:
Prof. Cleber Zanchettin (UFPE / Centro de Informática)
Prof. Jayr Alencar Pereira (UFCA / Instituto de Sociedade, Cultura e Artes)
Prof. Germano Crispim Vasconcelos (UFPE / Centro de Informática)
RESUMO:
Este estudo apresenta uma análise multidimensional de aumento de dados (DA, do inglês Data Augmentation) em aprendizado com poucos exemplos (FSL, do inglês Few-Shot Learning), investigando as dinâmicas entre estratégias de aumento, arquiteturas de modelos e granularidade dos rótulos. Avaliamos quatro paradigmas de FSL (Linear Probe, Prototypical Networks, SetFit e LoRA) em cinco benchmarks e demonstramos que DA pode gerar ganhos de desempenho relativo superiores a 70% em regimes de extrema escassez de dados, embora seja limitado por um equilíbrio entre inovação lexical e fidelidade semântica. Nossas descobertas revelam uma mudança qualitativa na utilidade de DA, atuando como um estabilizador de fronteiras—ancorando as fronteiras de decisão em espaços vetoriais esparsos— em k=1 e fazendo a transição para uma ferramenta de precisão conforme k aumenta. Crucialmente, análises de correlação revelam que métricas intrínsecas não são preditoras universais de utilidade downstream: enquanto classificadores estáticos dependem fortemente da diversidade lexical, arquiteturas contrastivas são penalizadas pelo desvio distribucional, demonstrando que a fidelidade semântica superficial, por si só, é insuficiente para prever ganhos práticos de treinamento. Para mitigar o desvio semântico em regimes de maior k, introduzimos o framework Boundary-Aware GPT3Mix, que ancora amostras sintéticas em contextos conscientes de fronteira para melhorar significativamente a calibração do modelo (ECE). Por fim, identificamos um compromisso arquitetural: modelos adaptativos oferecem maior potencial de desempenho, enquanto modelos estáticos proporcionam escalabilidade operacional e resiliência ao ruído sintético. Concluímos que sistemas robustos com poucos exemplos devem adaptar dinamicamente as restrições de aumento às tarefas específicas e aos requisitos arquiteturais.
Palavras-chave: Aprendizado com Poucos Exemplos · Classificação de Texto · Aumento
de Dados · Modelos de Linguagem de Grande Porte · Calibração de Modelos
Comentários desativados