Transdução para indução: aprendizado profundo de representações em cenários não supervisionados com base em informações de listas ranqueadas

• Ano de defesa: 2025
• Autor(a) principal: Biotto, Deryk Willyan [UNESP]
• Orientador(a): Salvadeo, Denis Henrique Pinheiro [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Aprendizado métrico profundo; Aprendizado não supervisionado; Aprendizado transdutivo; Aprendizado indutivo; Recuperação de imagens por conteúdo
• Palavras-chave em Inglês: Deep metric learning; Content-based image retrieval; Unsupervised learning; Transductive learning; Inductive learning
• Link de acesso: https://hdl.handle.net/11449/311963

Recentemente, o uso de aprendizado profundo em cenários supervisionados consolidou-se significativamente. No entanto, há um crescente interesse em explorar métodos de aprendizado não supervisionado. Abordagens transdutivas são promissoras para aprender relações contextuais ricas em cenários não supervisionados, mas enfrentam desafios ao lidar com grandes quantidades de dados. O objetivo central deste estudo é investigar a viabilidade de um modelo indutivo baseado em Redes Perceptron Multicamadas (MLP) aprender a partir de listas ranqueadas geradas por métodos transdutivos em cenários não supervisionados. Foi proposto uma metodologia chamada IRL (Inductive Ranking Learning), que utiliza técnicas para aprender similaridades e dissimilaridades de pares obtidos de listas ranqueadas obtidas com métodos transdutivos. A técnica consiste em ponderar os elementos mais relevantes e irrelevantes para o cálculo do erro dos prováveis pares positivos e negativos, de acordo com a posição que o elemento está na lista ranqueada do seu respectivo par, permitindo o aprendizado sem rótulos. A abordagem proposta possibilita a utilização de técnicas transdutivas para treinar modelos indutivos, promovendo a escalabilidade e o uso dessas técnicas em diversas tarefas, representando um grande potencial para o aprendizado não supervisionado.