DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 300
Aluno: Victor Hugo Wanderley Freire
Título: “Multi-Task Learning - Um aprofundamento no processo de treinamento"
Orientador: Carmelo José Albanez Bastos Filho - (PPGEC)
Examinador Externo: José Alfredo Ferreira Costa - (UFRN)
Examinador Interno: Alexandre Magno Andrade Maciel - (PPGEC)
Data-hora: 26 de Julho de 2024, às 9h.
Local: Formato Presencial, na Sala de Atos.
Resumo:
Com a crescente importância da inteligência artificial (IA) e do aprendizado de máquina na indústria automotiva, surge a necessidade de explorar e compreender como o aprendizado de múltiplas tarefas (MTL) pode otimizar o desempenho de sistemas avançados. Esta dissertação teve como objetivo analisar o processo de treinamento de algoritmos de ponderação no MTL, especificamente os algoritmos Dynamic Weight Average (DWA) e Impartial Multi-Task Learning (IMTL), para entender seu comportamento em diferentes cenários e distribuições de tarefas. Utilizando uma base de dados automotiva com 2.151 imagens de veículos, quatro tarefas foram definidas: classificação da cor do carro, do segmento, da marca e do sub-segmento. Os experimentos variaram batch size e incluíram análises da convergência e acurácia dos modelos em diversos cenários. A inclusão de tarefas fáceis melhorou a acurácia e acelerou a convergência em tarefas difíceis. A análise revelou que a dificuldade das tarefas impacta significativamente a eficácia do MTL. Estes achados fornecem insights valiosos para a aplicação do MTL em projetos de inteligência artificial no setor automotivo, que possivelmente podem ser expandidos para outras áreas, indicando que a inclusão de tarefas de diferentes níveis de dificuldade pode otimizar o desempenho dos modelos de aprendizado profundo.
O Programa
