Explorando análise visual de dados para auxiliar o usuário no aprendizado ativo

Resumo

Redes neurais profundas podem ser bastante efetivas para a classificação de imagens. Contudo, tais redes normalmente dependem de um conjunto de dados supervisionados grande para reduzir e evitar altas taxas de classificação no conjunto de treinamento com baixa taxa de classificação no conjunto de teste ainda não visto -- um fenômeno conhecido como "data overfitting". Grandes conjuntos supervisionados (anotados) de treinamento são normalmente impraticáveis em aplicações que dependem do conhecimento humano para a supervisão dos dados. Abordagens tradicionais de Aprendizado Ativo são comumente usadas para aumentar o número de amostras supervisionadas com o auxílio de um classificador aprendiz. Tal aprendizado indica as amostras mais importantes para o usuário anotar em cada iteração, e o classificador é retreinado com o novo conjunto supervisionado. Abordagens de Aprendizado Ativo Profundo têm sido consideradas, uma vez que permitem o aprendizado do espaço de características e do classificador ao mesmo tempo. Contudo, tais abordagens ainda dependem de suposições pouco confiáveis: necessidade de grandes quantidades de dados supervisionados, camada softmax fornecendo a informação de confiança das amostras e ajuste fino de pesos para evitar o retreinamento do modelo. Para contornar tais questões, propõem-se utilizar duas etapas distintas para aprendizado: (i) propagação de rótulos a partir de poucas amostras supervisionadas e seleção de amostras baseada na confiança e (ii) aprendizado do espaço de características e do classificador utilizando as amostras anotadas em (i) para melhorar o espaço de características profundo. Para isso, têm-se estudado soluções no projeto principal (#2019/10705-8) que iterativamente combinam o aprendizado de características profundo e projeções do espaço de características para anotar grandes conjuntos de dados não-supervisionados. Até o o presente momento, estudou-se o melhor método automático para cada etapa da metodologia proposta. Agora, o intuito é investigar a adição do processo de Aprendizado Ativo através de ferramentas de Análise Visual de Dados para aumentar o número de amostras supervisionadas e/ou melhorar a confiança do classificador aprendiz para selecionar as amostras anotadas para treinar o modelo profundo. Como proposto anteriormente pela candidata, o usuário pode visualizar as amostras de treinamento supervisionadas (conjunto pequeno) e amostras não-supervisionadas (conjunto grande) em uma projeção 2d do espaço de características e propagar rótulos para as amostras não-supervisionadas com ou sem o auxílio do classificador de padrões, mas sem a necessidade da supervisão e inspeção visual do usuário. Em suma, o objetivo desse projeto BEPE é projetar e desenvolver um fluxo de trabalho de Análise Visual de Dados para um aprendizado de máquina interativo e incremental focado no Aprendizado Ativo. Estudos de validação serão conduzidos com bases de dados de imagens de aplicações distintas relacionadas com o projeto temático (#2014/12236-1), coordenado pelo orientador. Também, este projeto BEPE permitirá para a aluna a obtenção do título de doutorado em regime de cotutela junto com a Utrecht University e sob a supervisão do Prof. Dr. Alexandru Telea (coorientador). (AU)