Banca de QUALIFICAÇÃO: NALBERT GABRIEL MELO LEAL

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : NALBERT GABRIEL MELO LEAL
DATA : 17/03/2025
HORA: 16:30
LOCAL: https://meet.google.com/obb-jojt-rai
TÍTULO:

Uso de técnicas de detecção automatizada de erros em datasets supervisionados para correção de rótulos oriundos de pipelines de aprendizado fracamente supervisionado

PALAVRAS-CHAVES:

Aprendizado fracamente supervisionado; Data programming; rótulos ruidosos; detecção automática de ruídos

PÁGINAS: 85
RESUMO:

O alto custo da rotulação de dados para treinar modelos de aprendizado de máquina motivou o desenvolvimento do aprendizado fracamente supervisionado (AFS), em compensação, introduz ruídos nos rótulos, afetando o desempenho dos modelos. Entre as técnicas de AFS, data programming (DP) se destaca ao utilizar fontes ruidosas (como heurísticas e modelos pré-treinados) para realizar a rotulação automatizada de dados com baixo custo, resultando em rótulos potencialmente imprecisos que impactam o desempenho do end-model. O objetivo desse trabalho, é avaliar se técnicas que detectam instâncias ruidosas podem melhorar o desempenho do modelo final obtido com o pipeline de DP para tarefas de classificação. Para isso, realizou-se um experimento preliminar cujo objetivo foi identificar a viabilidade do uso da detecção de ruídos em instâncias rotuladas com o pipeline de DP. Algumas das técnicas para o experimento já eram conhecidas pelo autor, mas não ligadas previamente ao AFS, já outras foram selecionadas a partir de uma revisão da literatura que buscou técnicas de detecção de ruídos já aplicadas ao AFS. O impacto de cada técnica no desempenho do end-model foi avaliado pelas métricas acurácia, matthews correlation, F1-score e tempo de execução.

MEMBROS DA BANCA:
Presidente - 1669545 - DANIEL SABINO AMORIM DE ARAUJO
Interno - 2353000 - ELIAS JACOB DE MENEZES NETO
Interno - 4351681 - JOAO CARLOS XAVIER JUNIOR