Treinamento de Redes Neurais Convolucionais por Meio de Estratégias de Aprendizado Ativo

Devido ao crescimento vertiginoso da internet, o tamanho dos conjuntos de dados coletados tambem atingiu proporcoes sem precedentes, desta forma, beneficiando os classificadores baseados em redes neurais. No entanto, redes neurais necessitam de uma grande quantidade de dados rotulados para serem treinadas. A classificacao manual destes dados leva tempo e recursos, portanto, a tendencia e que se torne inviavel. Uma das solucoes propostas para melhorar a eficiencia dessa classificacao e utilizar abordagens de aprendizado ativo. Tais abordagens utilizam o proprio classificador para selecionar amostras mais informativas ao aprendizado. Nesse sentido, diferentes criterios de selecao podem ser adotados.  Portanto, este trabalho tem como objetivo avaliar o impacto na inclusao de abordagens de aprendizado ativo durante o processo de treinamento de redes neurais convolucionais . Para tanto, foi adotado o criterio de incerteza por meio da heuristica BALD (baseada em Monte-Carlo) para selecao das amostras. Foram realizados experimentos entre as abordagens de aprendizado supervisionado tradicional e de aprendizado ativo, utilizando a arquitetura VGG16 e o conjunto de dados CIFAR-10.  De acordo com os resultados dos experimentos, os classificadores treinados com a abordagem de aprendizado ativo alcancaram uma acuracia Top-1 1.81% superior em relacao ao classificador obtido pela abordagem tradicional.