O Programa de Pós-Graduação em Ciência da Computação da UFPE promove defesa de dissertação de mestrado amanhã (29), a partir das 13h. A apresentação acontecerá de forma remota, através da plataforma Google Meet. É recomendado aos interessados em assistir que entrem com o microfone e câmera desligados.

Com título “Adversarial Oversampling: Um Método Para Balanceamento Baseado em Redes Neurais Adversárias”, o trabalho foi desenvolvido pelo pesquisador Jefferson Luiz Pessoa Lima. A banca examinadora será formada pelo orientador Paulo Salgado Neto (UFPE-CIn) e pelos professores Cleber Zanchettin (UFPE-CIn) e Leandro Augusto da Silva (Universidade Presbiteriana Mackenzie/Faculdade de Computação e Informática).

Resumo

O problema de aprendizagem utilizando bases de dados desbalanceadas é algo frequente e afeta negativamente vários algoritmos de aprendizagem supervisionada. Uma série de classificadores podem ficar enviesados quando são treinados nessas condições, especializando-se somente nas classes com maior quantidade de amostras, deixando de lado as classes minoritárias, as quais podem ser mais importantes para o objetivo em questão. Esse problema exige um esforço considerável de investigação e estudo para elaboração de métodos. Como nem sempre é possível, ou viável, a coleta de novas amostras da classe minoritária, os métodos para realização Oversampling têm sido estudados para geração de amostras a partir das existentes. Utilizando as Generative Adversarial Networks (GANs), que compõem o estado da arte para geração de amostras sintéticas realistas, o presente trabalho propôs o método Adversarial Oversampling (AO). O método proposto utiliza as Auxiliary Classifier GANs – AC-GAN como rede adversária, para aprender a distribuição das classes e gerar amostras sintéticas para balancear a base de dados, concentrando-se na classe minoritária. Durante o treinamento do AO, é dado uma maior atenção às amostras consideradas difíceis, utilizando a própria rede adversária para determinar a dificuldade dessas amostras. Com isso, o AO tenta gerar amostras mais significativas, que colaboram para melhorar a região de fronteira do classificador em questão. As amostras sintéticas geradas são filtradas utilizando o próprio Discriminador D, da rede adversária, para que restem apenas amostras com aspectos realistas pertencentes à classe minoritária. Como o presente trabalho lida com imagens, a morfologia das amostras geradas é um bom fator para determinar a qualidade das mesmas. Por isso, o primeiro experimento realizado teve como objetivo observar a morfologia das amostras geradas pelo Oversampling, e mostrou que o AO consegue gerar amostras com um aspecto visual mais fiel às amostras originais, comparado aos métodos tradicionais de Oversampling. No segundo experimento, foi observado o aumento da taxa de acerto da classe minoritária, à medida que são inseridas as amostras geradas pelo AO. Por fim, no terceiro e último experimento, foram realizados comparativos entre os métodos de Oversampling, observando o quão as amostras geradas contribuem para o aumento na taxa de acerto do classificador. Esse experimento foi repetido em seis bases de dados de imagens. Nos resultados médios, o AO foi superior em quatro das seis das bases, em até 4%. A exceção ocorreu nas bases de dados Breast e XRay, nas quais se observou um equilíbrio dos resultados. Com base nos experimentos realizados, pode-se observar que o método proposto pode ser capaz de gerar amostras sintéticas, balanceando a distribuição das classes e contribuindo no processo de aprendizagem do classificador.