28 de julho às 14h30
Programa Doutoral | Informática
Provas | Statistical and Geometrical priors for Deep Learning with applications in Biomedical modalities
Estudante | Miguel Lopes Martins
Data: 28 de julho
Hora: 14h30
Local: Sala FC6 0.29
Presidente:
Pedro Gabriel Dias Ferreira
Professor Catedrático
Departamento de Ciência de Computadores, Faculdade de Ciências da Universidade do Porto
Arguentes:
Pietro Cerveri
Professor Catedrático
Dipartimento di Ingegneria Industriale e dell?Informazione, Università di Pavia (Itália)
Giulio Rossolini
Professor Auxiliar
ReTis - Real Time Systems Laboratory, Scuola Universitaria Superiore Sant?Anna di Pisa (Itália)
Vogais:
Jaime dos Santos Cardoso
Professor Catedrático
Departamento de Engenharia Eletrotécnica e de Computadores, Faculdade de Engenharia da Universidade do Porto
Francesco Renna
Professor Auxiliar
Departamento de Ciência de Computadores, Faculdade de Ciências da Universidade do Porto
António Joaquim da Silva Teixeira
Professor Catedrático
Departamento de Eletrónica, Telecomunicações e Informática, Universidade de Aveiro
Resumo:
A Aprendizagem Profunda (Deep Learning) transformou fundamentalmente o panorama da inteligência artificial, oferecendo capacidades de aproximação universal de funções que resolvem tarefas complexas com uma precisão sem precedentes. No entanto, esta revolução de engenharia — impulsionada largamente por avanços de infraestrutura e de métodos de optimização— enfrenta limitações críticas no que respeita à interpretabilidade, estabilidade e generalização, particularmente em ambientes de alto risco, como nas modalidades biomédicas. Esta dissertação foca-se no papel do conhecimento do domínio como condição necessária para superar a fragilidade dos métodos puramente baseados nos dados observados durante o treino.
Para este efeito, forçamos o processo de aprendizagem a depender de parametrizações explícitas que codificam diferentes restrições estatísticas ou geométricas do domínio, definindo, assim, os chamados métodos de aprendizagem profunda híbridos ou baseados em modelos a priori. Primeiro, abordamos o desafio da deteção patológica em imagiologia médica, tirando partido dos princípios da geometria (multi)fractal. Articulamos a natureza de auto-propagação em cascata das anomalias tecidulares patológicas, demonstrando que a otimização informada por estes parâmetros geométricos pode guiar as redes na captura de regularidades texturais que abordagens puramente convolucionais podem ignorar. Analisamos também regularidades ao longo do tempo e propomos um modelo estatístico para dados sequenciais. Ao otimizar conjuntamente uma rede neuronal profunda com um prior Markoviano, demonstramos que tal resulta num desempenho e robustez superiores em comparação com a modelação de sequências sem restrições, destacando a sua eficácia em forçar a representação a depender da natureza rítmica do ciclo cardíaco para a tarefa de segmentação de sons cardíacos fundamentais.
Finalmente, investigamos os compromissos fundamentais no âmbito da Aprendizagem Auto-Supervisionada (Self-Supervised Learning-SSL) contemporânea, um paradigma frequentemente apontado como agnóstico em relação a tarefas a jusante. Demonstramos que os modelos desenhados para maximizar a invariância a transformações no domínio estão sujeitos a limites inerentes: quanto mais graus de variação um modelo destes captura, mais instável se torna a representação relativamente à generalização a jusante.
Em última análise, este trabalho fornece contribuições metodológicas tanto da perspetiva da Ciência de Computadores como da Aprendizagem Computacional, ilustradas pelo seu impacto nas modalidades biomédicas.
Informações no Sigarra da FCUP