Banca de DEFESA: Lucas Silva Lopes

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : Lucas Silva Lopes
DATA : 19/07/2024
HORA: 10:00
LOCAL: Teams
TÍTULO:

Modelagem de contextos adaptativa e seleção de hiperparâmetros em
compressão de dados baseada em redes neurais.

PALAVRAS-CHAVES:

Codificação aritmética, modelagem de contextos, redes neurais, otimização de hiperparâmetros.

PÁGINAS: 130
RESUMO:

A compressão de dados baseada em redes neurais ainda não atingiu todo o
seu potencial. A modelagem de contexto para codificação aritmética
geralmente é feita por meio de contagem de frequência e tabelas de
consulta (LUTs, do inglês, “look-up tables”). Esses modelos geralmente
são atualizados continuamente à medida que novas amostras são vistas.
Todos os modelos de contexto baseados em redes neurais que foram
propostos até o momento fazem uso de pré-treinamento. Nós propomos um
método de modelagem de contexto baseado em redes neurais para
codificação aritmética em que as redes neurais são treinadas
dinamicamente. O modelo começa essencialmente como uma distribuição
uniforme, e gradualmente se aproxima da verdadeira distribuição de
probabilidade dos dados, em vez da distribuição dos dados de
treinamento. O método tem melhor desempenho do que a simples contagem de
frequências, e permite o aumento do tamanho do contexto para níveis não
possíveis com métodos baseados em LUT. Existem métodos caixa-preta de
otimização de hiperparâmetros multiobjetivo (MOHPO, do inglês,
“multi-objective hyperparameter optimization”) que podem ser usados na
compressão de dados baseada em redes neurais. Porém, em compressão de
dados, a complexidade do compressor é geralmente tão importante, ou
mais, do que seu desempenho de compressão. Propomos um método de
otimização de hiperparâmetro multiobjetivo que constrói naturalmente o
conjunto de soluções ótimas, ou o casco convexo inferior, em ordem
crescente de complexidade. Isso permite que o algoritmo seja
interrompido quando o valor desejado de bits por amostra, ou o valor
máximo de complexidade aceitável, é atingido. Comparamos este algoritmo
com métodos do estado-da-arte presentes em uma popular plataforma de
MOHPO, com o método proposto apresentando resultados competitivos.

MEMBROS DA BANCA:
Interno - 1702065 - BRUNO LUIGGI MACCHIAVELLO ESPINOZA
Externo à Instituição - BRUNO ZATT
Externo ao Programa - 1702562 - CAMILO CHANG DOREA - nullExterno à Instituição - EDUARDO ANTONIO BARROS DA SILVA - UFRJ
Presidente - 2548225 - RICARDO LOPES DE QUEIROZ