Navegando por Palavras-chave "Robustez"
Agora exibindo 1 - 3 de 3
Resultados por página
Opções de Ordenação
- ItemAcesso aberto (Open Access)Abundância de operadores lineares transitivos em dimensão infinita.(Universidade Federal de São Paulo, 2022-11-04) Kawahama, Felipe Hikari [UNIFESP]; Cirilo, Patricia Romano [UNIFESP]; http://lattes.cnpq.br/8477080812857959; http://lattes.cnpq.br/8567826495956662A teoria de Sistemas Dinâmicos estuda o comportamento de fenômenos em um conjunto no decorrer do tempo e se interessa majoritariamente em sistemas com um certo grau de desordem e imprevisibilidade. Essas propriedades geralmente não são associadas a ação de operadores lineares em espaços vetoriais e com razão em dimensão finita: não existem operadores transitivos nesses espaços. Contudo, em espaços de dimensão infinita existem operadores com as mesmas propriedades encontradas em dinâmicas contínuas e ergódicas em espaços métricos compactos não lineares. Além dessas propriedades, também é de interesse da área de Sistemas Dinâmicos se propriedades dinâmicas interessantes de funções são mantidas para perturbações suficientemente próximas. Embora seja sabido que no caso linear isso nem sempre seja verdade, é possível definir uma classe aberta de operadores com ricas propriedades dinâmicas quando restringimos seu domínio.
- ItemAcesso aberto (Open Access)Modelagem e análise da robustez de redes aéreas temporais(Universidade Federal de São Paulo, 2021-05-28) Sano, Humberto Hayashi [UNIFESP]; Berton, Lilian [UNIFESP]; http://lattes.cnpq.br/9064767888093340; http://lattes.cnpq.br/9544260001234251As redes de transporte aéreo têm importante papel no setor econômico e social. Uma característica importante destas redes é sua dependência temporal, por exemplo, os horários de partida e chegada dos voos. Na representação estática, são estudadas algumas características dessas redes, porém, ela não captura os padrões reais dos dados. Esta dissertação de mestrado propõe abordagens para análise das redes de transporte aéreo, considerando os seguintes aspectos: 1) representação de voos considerando o horário de partida/chegada como uma rede temporal; 2) classificação dos aeroportos por medidas de centralidade adaptadas para redes temporais; 3) análise da robustez da rede, após diferentes estratégias de ataque. Foram propostas três abordagens para representação de redes aéreas temporais, as redes agregadas, Event graphs e multicamada. Segundo experimentos em redes reais dos EUA e do Brasil, quando aspectos temporais são considerados, existem mudanças, dependendo do instante de tempo, no ranqueamento dos aeroportos baseados nas medidas de centralidade, principalmente no caso do closeness. Além disso, com relação à análise de robustez, constatamos que ataques baseados em centralidade de Trip obtidos a partir de uma representação multicamada foram menos eficazes em danificar a rede quando comparada às estratégias de grau e betweenness, que foram os mais efetivos. Para a rede Event graph propusemos um novo algoritmo para calcular caminhos mínimos em rede temporal com desempenho computacional substancialmente melhor que o Dijkstra. Desse modo, este trabalho visou estudar os aspectos temporais das redes de transporte aéreo e contribuir para o estudo de redes temporais.
- ItemAcesso aberto (Open Access)Renovando estudos comportamentais para o modelo CLIP(Universidade Federal de São Paulo, 2022-02) Galindo, Yuri Oliveira [UNIFESP]; Faria, Fabio Augusto [UNIFESP]; http://lattes.cnpq.br/3828728429230356; http://lattes.cnpq.br/4028438063488666Redes neurais são capazes de atingir níveis altíssimos de desempenho em problemas como reconhecimento de imagem quando testadas em condições controladas, como 90% de acerto no desafio ImageNet. No entanto, ao testar esses modelos em condições adversas observamos uma falta de robustez — o desempenho cai ao lidar com variações, como por exemplo a variação natural presente em um novo conjunto de dados. Um caso extremo dessa falta de robustez é demonstrado nos exemplos adversariais — imagens que são alteradas com modificações imperceptíveis para humanos mas capazes de enganar o modelo, que faz classificações erradas com altíssima confiança. Embora não haja explicações definitivas para a existência de exemplos adversariais e a falta de robustez das redes neurais, alguns estudos apontam possíveis culpados, como a dependência excessiva na textura dos objetos (humanos utilizam primariamente a forma), e a dependência em regularidades pequenas que se aplicam para um conjunto reduzido de imagens mas que podem induzir ao erro no caso geral. O CLIP (Contrastive Language-Image Pre-training) é um novo modelo de rede neural que apresenta uma melhora considerável na robustez quando testado em imagens de novas distribuições, mas se mostra ainda vulnerável a ataques adversariais. Esse novo modelo se diferencia dos seus predecessores em alguns pontos-chave, como a quantidade de imagens no conjunto de dados, arquitetura, e método de treinamento. Os experimentos que buscam explicar os problemas de robustez a existência de exemplos adversariais se baseiam principalmente em modelos Resnet, treinados na base de dados Imagenet. Dessa forma, o CLIP apresenta uma oportunidade ideal de verificar se as conclusões apresentadas por esses estudos continuam pertinentes, ou se elas se aplicavam apenas aos modelos anteriores. Assim, buscamos fortalecer a relação entre a teoria e a parte empírica da área de exemplos adversariais e robustez, estendendo o conhecimento atual ao atualizar as hipóteses existentes para um modelo novo. Realizamos três experimentos utilizando o CLIP, baseados em experimentos existentes: medição do viés de textura, verificação da vulnerabilidade a perturbações de diferentes frequências, e geração de imagens para verificação de features robustas. Nos dois primeiros experimentos observamos que o CLIP obtém comportamento mais robusto do que os modelos anteriores, indicando uma correlação entre a melhora nesses aspectos e a melhora do modelo ao ser testado em novas distribuições. No entanto, no terceiro experimento não observamos comportamento robusto — indicando que essa característica pode estar ligada apenas a exemplos adversariais. Com esses resultados, conseguimos entender melhor quais características parecem estar relacionadas com melhor desempenho em dados de novas distribuições, e quais parecem estar relacionadas apenas com vulnerabilidade a exemplos adversariais. Se trata de uma contribuição para o entendimento de redes neurais, e que pode indicar direções promissoras para modelos futuros.