Dissertação
Generative Deep Clustering with the Hierarchical and Relativistic Wasserstein Autoencoder GAN EVALUATED
O clustering (agrupamento de dados) e uma das ´ areas mais importantes dentro do mundo da aprendiza- ´ gem nao supervisionada, e os m ˜ etodos tradicionais (como o k-means) t ´ em dificuldades em lidar com ˆ dados de alta dimensionalidade. Por esta razao, muitos investigadores t ˜ em utilizado (com sucesso) ˆ tecnicas de aprendizagem profunda (deep learning) para mapear os dados para um espac¸o de dimen- ´ sionalidade reduzida, onde sera mais f ´ acil aplicar algoritmos de clustering. Normalmente, o processo ´ consiste em usar um modelo baseado na arquitetura de autoencoders para encontrar um espac¸o latente de dimensionalidade reduzida e, de seguida, aplicar-lhe um algoritmo tradicional de clustering. Nesta dissertac¸ao criei um m ˜ etodo inovador de deep clustering que inclui um autoencoder gener- ´ ativo hierarquico que cont ´ em v ´ arios grupos latentes (um autoencoder simples tem apenas um) que ´ sao regularizados por discriminadores relativistas num cen ˜ ario de treino adversarial. O algoritmo de ´ densidade HDBSCAN, que estima automaticamente o numero de clusters, ´ e depois aplicado em cada ´ um dos espac¸os latentes. O modelo resultante chama-se Hierarchical and Relativistic Wasserstein Autoencoder GAN (Autoencoder GAN de Wasserstein hierarquico e relativ ´ ´ıstico), ou HRWAE-GAN, e este trabalho ira mostrar que a utilizac¸ ´ ao de m ˜ ultiplos espac¸os latentes n ´ ao traz vantagens ˜ a tarefa de ` clustering em datasets de imagens.
dezembro 2, 2021, 18:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Pedro Filipe Zeferino Aidos Tomás
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado
ORIENTADOR
Faculdade de Ciências da Universidade de Lisboa
Professor Auxiliar