Sistema de Aprendizado Profundo Aprende Melhor Quando Distrato

Cientistas da computação dos Países Baixos e da Espanha determinaram como um sistema de aprendizado profundo aprende melhor quando distrato. A inteligência artificial (IA) é destinada ao reconhecimento de imagens e pode aprender a reconhecer seu entorno. A equipe conseguiu simplificar o processo de aprendizado após forçar o sistema a se concentrar em características secundárias.

Redes Neurais Convolucionais

O sistema de aprendizado profundo depende de redes neurais convolucionais (CNNs), que são uma forma de aprendizado profundo para sistemas de IA.

Estefanía Talavera Martinez é professora e pesquisadora no Instituto Bernoulli de Matemática, Ciência da Computação e Inteligência Artificial da Universidade de Groningen, nos Países Baixos.

‘Essas CNNs são bem-sucedidas, mas não entendemos completamente como elas funcionam’, diz Talavera Martinez.

Talavera Martinez usou CNNs para analisar imagens que vêm de câmeras portáteis enquanto estuda o comportamento humano. Algumas de suas pesquisas giram em torno do estudo de interações humanas com comida, então ela se propôs a fazer com que o sistema reconhecesse os diferentes ambientes em que as pessoas encontram comida.

‘Eu notei que o sistema cometia erros na classificação de algumas fotos e precisava saber por que isso acontecia’, disse ela.

Ela usou mapas de calor e analisou quais partes das imagens eram usadas pelas CNNs para identificar o ambiente.

“Isso levou à hipótese de que o sistema não estava olhando para detalhes suficientes”, disse ela.

Um exemplo dado foi o de um sistema de IA que ensinou a si mesmo a usar canecas para identificar uma cozinha. Nesse exemplo, o IA poderia classificar erroneamente áreas como salas de estar e escritórios, que também frequentemente têm canecas.

Talavera Martinez e sua equipe então se propuseram a desenvolver uma solução. Seus colegas incluíam David Morales e Beatriz Remeseiro, ambos na Espanha. A solução proposta foi distrair o sistema de seus alvos principais.

Desenvolvendo a Solução

A equipe treinou CNNs com um conjunto padrão de imagens de aviões ou carros e identificou quais partes das imagens eram usadas para classificação por meio de mapas de calor. Essas partes das imagens foram então borradas no conjunto de imagens e o conjunto de imagens foi usado para um segundo round de treinamento.

“Isso força o sistema a procurar em outros lugares por identificadores. E, usando essas informações extras, ele se torna mais detalhado em sua classificação”, disse Talavera Martinez.

O novo sistema funcionou bem nos conjuntos padrão de imagens e foi bem-sucedido nas imagens coletadas de câmeras portáteis.

“Nosso regime de treinamento nos dá resultados semelhantes aos de outras abordagens, mas é muito mais simples e requer menos tempo de computação”, disse ela.

Tentativas anteriores de aumentar a classificação detalhada se concentraram na combinação de diferentes conjuntos de CNNs, mas a abordagem recém-desenvolvida é muito mais leve.

“Este estudo nos deu uma melhor ideia de como essas CNNs aprendem, e isso nos ajudou a melhorar o programa de treinamento”, disse Talavera Martinez.