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 também atingiu proporções 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 classificação manual destes dados leva tempo e recursos, portanto, a tendência é que se torne inviável. Uma das soluções propostas para melhorar a eficiência dessa classificação é utilizar abordagens de aprendizado ativo. Tais abordagens utilizam o próprio classificador para selecionar amostras mais informativas ao aprendizado. Nesse sentido, diferentes critérios de seleção podem ser adotados.  Portanto, este trabalho tem como objetivo avaliar o impacto na inclusão de abordagens de aprendizado ativo durante o processo de treinamento de redes neurais convolucionais. Para tanto, foi adotado o critério de incerteza por meio da heurística BALD (baseada em Monte-Carlo) para seleção 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 alcançaram uma acurácia Top-1 1.81% superior em relação ao classificador obtido pela abordagem tradicional.