Generalização de Conhecimento de Redes Neurais Profundas no Domínio e no Tempo: Aplicações do Mundo Real

Resumo: Redes neurais profundas são poderosas ferramentas de inteligência artificial para resolver problemas cotidianos. Contudo, elas demandam uma grande quantidade de dados rotulados para treinamento. Muitas aplicações do mundo real têm limitada quantidade de dados disponíveis para o problema a ser resolvido. Às vezes, os dados estão disponíveis, mas em contexto diferente do que será utilizado ou são abundantes e sem rótulos. Em um projeto passado, investigamos métodos para reduzir a necessidade por dados de redes neurais profundas, principalmente no contexto de direção autônoma. Mais precisamente, focamos no uso de modelos (templates), dados artificiais, cópia de conhecimento entre outros métodos. As técnicas mais bem sucedidas englobaram a geração artificial e reuso de dados para treinamento das redes. Grandes descobertas e avanços foram feitos e novas limitações foram identificadas, como, a dificuldade de se lidar com o deslocamento de domínio nos dados (por exemplo, para permitir treino com dados de uma aplicação e teste em outra) ou de aprender de forma incremental sem perder o conhecimento anterior (por exemplo, para permitir o treinamento com dados limitados que chegam sob demanda). Esses problemas são agravados ao lidar com aplicações do mundo real, pois os avanços nessas áreas ainda são limitados.

Data de início: 2021-03-01
Prazo (meses): 36

Participantes:

Papelordem decrescente Nome
Coordenador Thiago Oliveira dos Santos
Acesso à informação
Transparência Pública

© 2013 Universidade Federal do Espírito Santo. Todos os direitos reservados.
Av. Fernando Ferrari, 514 - Goiabeiras, Vitória - ES | CEP 29075-910