DCCMAPI/CCET

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: FRANCISCO DOS SANTOS VIANA
DATA: 27/03/2026
HORA: 13:00
TÍTULO: Inserção colaborativa de camadas em redes stacked autoencoder
PALAVRAS-CHAVES: inserção colaborativa; redes stacked autoencoder; aprendizado autocoordenado
PÁGINAS: 93
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
ESPECIALIDADE: Arquitetura de Sistemas de Computação
RESUMO: O presente trabalho propõe um método inovador para o crescimento estruturado de redes neurais profundas do tipo stacked autoencoder, com o objetivo de superar limitações de abordagens convencionais de expansão de redes. Redes neurais profundas têm-se mostrado altamente eficazes em tarefas de classificação, reconhecimento de padrões e extração automática de características, mas a definição de topologias adequadas continua sendo um desafio. Nos métodos tradicionais, a inserção de novas camadas escondidas durante o treinamento frequentemente resulta no aumento do erro de saída e na degradação do conhecimento previamente adquirido, tornando dispendiosa a duração do processo de expansão e dependente de ajustes manuais complexos. O método desenvolvido nesta pesquisa realiza a adição paralela de uma nova camada escondida e de uma nova camada de saída à camada de saída já existente. Diferentemente das abordagens convencionais, as camadas adicionadas formam um novo fluxo de dados até a saída da rede, produzindo um ramo auxiliar de processamento, onde essas novas camadas aprendem sem degradar o conhecimento já adquirido. Com isso, a inserção desenvolvida consegue colaborar com as camadas já existentes, desta maneira caracterizando o método como colaborativo. Após a inserção, realiza-se uma etapa de integração, em que o ramo auxiliar e a camada de saída original são combinados de maneira a consolidar o aprendizado das novas camadas, garantindo que o erro global da rede apresente comportamento decrescente e, ao mesmo tempo, mantendo a estabilidade do aprendizado. Ao término do processo, a camada de saída anterior torna-se parte da nova camada escondida, formando uma rede com uma única camada de saída. O método proposto foi avaliado em diferentes conjuntos de dados de classificação, demonstrando sua capacidade de preservar o aprendizado previamente consolidado, de reduzir o erro de saída de maneira consistente e de manter a estabilidade durante a expansão da rede. Os resultados indicam que o método oferece uma alternativa robusta para a expansão automática de redes neurais adaptativas, aumentando a eficiência no consumo de tempo do treinamento, reduzindo a necessidade de ajustes manuais e promovendo maior flexibilidade e confiabilidade em aplicações de classificação e reconhecimento de padrões.
MEMBROS DA BANCA:
Presidente - 2044484 - AREOLINO DE ALMEIDA NETO
Interno - 1091306 - ALEXANDRE CESAR MUNIZ DE OLIVEIRA
Interno - 470.564.523-53 - PEDRO DE ALCANTARA DOS SANTOS NETO
Externo à Instituição - GUILHERME DE ALENCAR BARRETO - UFC
Externo à Instituição - RICARDO BASTOS CAVALCANTE PRUDENCIO - UFPE
Co-orientador externo à instituição - CARLOS MANUEL MILHEIRO DE OLIVEIRA PINTO SOARES - FEUP