O desenvolvimento da tecnologia de aprendizado de máquina continua a ultrapassar os limites da inteligência artificial. Em um estudo inovador, os pesquisadores da Universidade de Stellenbosch, Professor Johan du Preez e Dr. Emile-Reyn Engelbrecht, preenchem a lacuna conceitual entre duas áreas importantes do aprendizado de máquina: aprendizado semissupervisionado (SSL) e reconhecimento generativo de conjunto aberto (OSR). As suas descobertas, publicadas na Science Africa, revelam ligações profundas através da utilização de redes adversárias generativas (GANs), o que poderia levar a modelos de aprendizagem automática mais rentáveis e eficientes.
No centro de sua pesquisa está o uso inovador de GANs, uma ferramenta dinâmica que tradicionalmente coloca duas redes neurais uma contra a outra: uma gerando dados, a outra avaliando-os. O estudo investiga como essas redes podem ser usadas não apenas para SSL (que rotula apenas parte dos dados), mas também para OSR (que requer a identificação de classes novas e inéditas durante a fase de teste).
Os pesquisadores levantam a hipótese de que a chave para vincular SSL e OSR reside na geração do que eles chamam de amostras “feias” – pontos de dados que são deliberadamente criados para serem ambíguos ou enganosos. Essas amostras preenchem o “espaço complementar”, uma região conceitual no espectro de dados que fica entre categorias conhecidas. Ao treinar um classificador usando essas amostras, o modelo pode não apenas reconhecer, mas também classificar adequadamente novas entradas nas quais não foi explicitamente treinado.
“Ao ampliar nossa compreensão do espaço de complementaridade do SSL para o OSR, descobrimos que nosso modelo pode efetivamente generalizar esse espaço aberto, aumentando significativamente sua capacidade de lidar com dados inesperados”, explica o Dr. Engelbrecht. Esta descoberta é crítica para aplicações que frequentemente encontram situações desconhecidas, como ferramentas de diagnóstico automatizadas e tecnologia de automóveis autônomos, onde a classificação incorreta pode ter consequências graves ou até fatais.
Este estudo conduz uma extensa comparação entre SSL-GAN básico e OSR-GAN de última geração sob as mesmas condições experimentais. Os resultados foram surpreendentemente semelhantes, confirmando a teoria dos investigadores de que os mecanismos básicos que controlam SSL e OSR estão interligados através da manipulação de espaços complementares.
Para investigar melhor esse problema, a equipe tentou vários modelos GAN para determinar quais configurações fornecem o melhor desempenho em cenários SSL-OSR. Dentre os modelos testados, destaca-se o Margin-GAN, que apresenta resultados superiores devido à sua abordagem refinada na definição e exploração de espaços complementares.
A importância desta pesquisa é enorme, mostrando que a estrutura integrada do SSL-OSR não apenas simplifica o processo de treinamento, mas também aprimora as capacidades dos sistemas de aprendizado de máquina, tornando-os mais adaptáveis e eficientes em aplicações práticas. À medida que o campo da inteligência artificial continua a crescer, esta investigação abre caminho para sistemas mais poderosos e versáteis, capazes de lidar com a complexidade e a imprevisibilidade dos dados do mundo real.
Referência do diário
Engelbrecht, E.-R. e du Preez, JA. “Sobre a conexão entre aprendizagem generativa semissupervisionada e reconhecimento generativo de conjunto aberto.” Ciência África, 2023. DOI: https://doi.org/10.1016/j.sciaf.2023.e01903
Sobre o autor
Esmir Emim é pesquisador do Departamento de Engenharia Eletrônica da Universidade de Stellenbosch. Ele é o autor principal e correspondente de um estudo recente que apresenta Aprendizagem em conjunto aberto de categorias aumentadas aproveitando dados não rotulados (Open-LACU)propuseram uma estrutura unificada de aprendizado de máquina que combina aprendizado semissupervisionado, reconhecimento de conjunto aberto e detecção de novidades por meio de redes adversárias generativas. Ele também foi coautor de um trabalho explorando a relação entre a aprendizagem semissupervisionada GAN e o reconhecimento de conjunto aberto (SSL-OSR), mostrando a conexão fundamental entre esses métodos.
Professor John A. Du Preez é uma figura ilustre do Departamento de Engenharia Elétrica e Eletrônica da Universidade de Stellenbosch, onde sua pesquisa se concentra em aprendizado de máquina, sistemas probabilísticos e processamento de fala e imagem. Seu trabalho notável inclui projetos de detecção de locutores e verificação de caligrafia, e ele é membro fundador do Centro de Tecnologia de Linguagem e Fala (SU’CLaST) em Stellenbosch. Também trabalhou com o Grupo de Visão e Aprendizagem e fez contribuições nas áreas de tecnologias de fala, imagem e processamento de sinais.
