Aprimorando Técnicas de Redução de Dimensionalidade para Visualização de Redes Neurais Profundas

Redes neurais profundas tem demonstrado resultados impressionantes em uma grande variedade de aplicações computacionais nos últimos anos, sendo responsáveis por diversos avanços em tecnologia. No entanto, testar e entender os mecanismos internos destes modelos é uma tarefa complexa, uma vez que o número de variáveis envolvidas em cada decisão pode chegar aos milhões. Visando resolver este problema, pesquisadores dos campos de Visual Analytics e Explainable Artificial Intelligence tem proposto várias abordagens para visualizar e explicar diferentes aspectos de modelos de redes neurais. Uma destas abordagens é o uso de técnicas de redução de dimensionalidade para a visualização do comportamento de camadas ocultas, empregado com relativo sucesso na literatura. Porém, aplicar tais técnicas neste contexto implica em certas limitações que precisam ser tratadas, principalmente no que diz respeito à comparação visual entre múltiplas projeções multidimensonais. Adicionalmente, certas características particulares deste domínio podem ser utilizadas para gerar visualizações especializadas mais informativas. Esta tese de doutorado mostra o processo de investigação de problemas e oportunidades em visualização de redes neurais utilizando redução de dimensionalidade e o desenvolvimento de métodos de visualização aprimorados para este domínio. (AU)