Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.134
Aluno: Lucas Augusto Mota de Alcantara
Orientador: Prof. Tsang Ing Ren
Título: Aprendizagem Contínua para Classificação de Imagens
Data: 26/03/2024
Hora/Local: 9h – Centro de Informática – Auditório Bloco B
Banca Examinadora:
Prof. George Darmiton da Cunha Cavalcanti (UFPE / Centro de Informática)
Prof. Luiz Eduardo Soares de Oliveira (UFPR / Departamento de Informática)
Prof. Tsang Ing Ren (UFPE / Centro de Informática)
RESUMO:
A habilidade de realizar Aprendizado Contínuo (Continual Learning) é
crucial para o desenvolvimento de modelos de Inteligência Artificial
capazes de adquirir e manter conhecimento ao longo do tempo sem esquecer
informações anteriores. Isso representa um grande desafio técnico, dado que
redes neurais são suscetíveis ao fenômeno de esquecimento catastrófico
durante o processo de aprendizado de novas tarefas. Métodos basados na
abordagem de pseudo-replay utilizam redes gerativas para criar amostras
sintéticas de tarefas anteriores, que são então apresentadas ao modelo
durante o aprendizado de novas tarefas com o intuito de reduzir o
esquecimento. Nesta dissertação, exploramos melhorias no então método
estado da arte baseado na abordagem de pseudo-replay, Invariant
Representation for Continual Learning (IRCL). Utilizamos como modelo
gerativo uma cVAE-GAN (Conditional Variational Autoencoder Generative
Adversarial Network) e desacoplamos o seu treinamnto do restante da
arquitetura, de forma a otimizar as diferentes partes da rede de forma
independente. Além disso, utilizamos camadas convolucionais ao invés de
camadas lineares. Os resultados experimentais alcançados demonstram
melhorias de até 10 pontos percentuais na Acurácia Média e de até 8 pontos
na média do Backward Transfer, superando o estado da arte nos conjuntos de
dados Split MNIST e Split FashionMNIST
Palavras-chave: Aprendizado Contínuo, Esquecimento Catastrófico, Pseudo
Replay
Comentários desativados