Notícias

Alunos do CIn-UFPE apresentam trabalhos no Workshop LatinX do NeurIPS 2019

A maior conferëncia de aprendizagem de máquina do mundo ocorreu no dia 9 de Dezembro em Vancouver, Canadá

02 de Janeiro de 2020 às 10:38:03

Estudantes do Centro de Informática (CIn) da UFPE apresentaram dois trabalhos no Workshop LatinX da Conference on Neural Information Processing Systems (NeurIPS) 2019. A maior conferência de aprendizagem de máquina do mundo ocorreu de 8 de a 14 de Dezembro na cidade de Vancouver, Canadá. O objetivo do evento é promover a troca de conhecimento na área de neural information processing systems abordando o caráter biológico, tecnológico, matemático e teórico.

O primeiro projeto apresentado na conferência pelos alunos do CIn-UFPE foi o "Beating Soccer Robots in the Real World by Reinforcement Learning and Sim-to-Real" realizado em parceria entre o RobôCIn, grupo de robótica do CIn-UFPE, e o MILA - Quebec Artificial Intelligence Institute, instituto de pesquisa em inteligência artificial de Montreal, Canadá, contou com a participação dos seguintes pesquisadores: o professor Hansenclever Bassani, os alunos do CIn-UFPE Renie Delgado, José Nilton, Heitor Medeiros e Pedro Braga, e Alain Tapp, integrante do MILA.

O trabalho foi pioneiro no uso da técnica de aprendizagem por reforço para controlar um time completo de robôs utilizados pelo RobôCIn durante a competição IEEE Very Small Size Soccer (IEEE VSSS), tendo alcançado o quarto lugar e ganhado de times veteranos. Para ser bem sucedido, o projeto contou também com a ajuda dos demais membros do RobôCIn, da estrutura disponibilizada e fornecida pelo CIn-UFPE, além da orientação dos professores Hansenclever Bassani e Edna Barros. Para saber um pouco mais sobre o projeto acesse o site do RobôCIn.

O segundo trabalho apresentado no evento foi desenvolvido pelos pesquisadores Pedro Braga, Heitor Medeiros e Hansenclever Bassani com o título  "Backpropagating the Unsupervised Error of Self-Organizing Maps to Deep Neural Networks". A técnica proposta possibilita o treinamento de redes baseadas em protótipos e deep learning de uma maneira sinérgica para o aprendizado de representações em estruturas de dados complexas, como imagens e som. Dentre suas possíveis aplicações, é possível destacar tarefas de categorização de dados.