{"id":2573,"date":"2026-09-24T14:53:50","date_gmt":"2026-09-24T14:53:50","guid":{"rendered":"https:\/\/prlalmeida.com.br\/dsbd\/?page_id=2573"},"modified":"2026-09-25T12:08:25","modified_gmt":"2026-09-25T12:08:25","slug":"otimizacao-treino","status":"publish","type":"page","link":"https:\/\/prlalmeida.com.br\/dsbd\/pt\/otimizacao-treino\/","title":{"rendered":"OtimizacaoTreino"},"content":{"rendered":"\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

otimiza\u00e7\u00f5es no treinamento em modelos de metric learning<\/h1>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Pesquisadores<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\"\"<\/figure>

Paulo R. Lisboa de Almeida<\/h3>

UFPR<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"\"<\/figure>

Andr\u00e9 Gr\u00e9gio<\/h3>

UFPR<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"\"<\/figure>

Roberto Tomchak<\/h3>

UFPR<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"\"<\/figure>

Helo\u00edsa Viotto<\/h3>

UFPR<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"\"<\/figure>

Cau\u00ea Samonek<\/h3>

UFPR<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"\"<\/figure>

Thamiris Yamate Fischer<\/h3>

UFPR<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Maintaining Difficulty: A Margin Scheduler for Triplet Loss in Siamese Networks Training<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Esse estudo exp\u00f5e que, durante o treinamento de Redes Siamesas que utilizam o Triplet Margin Ranking Loss, a margem efetiva comumente \u00e9 superior \u00e0quela pr\u00e9 definida como hiperpar\u00e2metro, assim podendo limitar o aprendizado. O artigo, ent\u00e3o, sugere adaptar esse valor durante o treinamento, por\u00e9m, diferentemente de abordagens anteriores, as quais focam em cen\u00e1rios espec\u00edfico, os autores prop\u00f5em ajustar a margem conforme a propor\u00e7\u00e3o de triplets f\u00e1ceis.<\/p>

Nos experimentos, conduzidos nos datasets LFW, CelebA, CUB-200-2011 e Stanford Cars, foram comparados a efic\u00e1cia de uma margem fixa m = 0.3, do m\u00e9todo Linear Scheduler proposto, o qual inicia com uma margem m0 = 0.0 com taxa de crescimento a cada \u00e9poca de sl = 0.01 e o m\u00e9todo Difficulty Adaptative Margin Scheduler (DAMS) que tamb\u00e9m come\u00e7a com uma margem iniciam m0 = 0.0, mas com taxa de crescimento sa = 0.01 a toda \u00e9poca que a taxa de triplets f\u00e1ceis for maior que um threshold t = 0.95. Esses hiperpar\u00e2metros foram definidos com base em testes exaustivos com v\u00e1rias configura\u00e7\u00f5es.<\/p>

Os resultados apontam que o DAMS \u00e9 o m\u00e9todo mais adequado na maioria dos cen\u00e1rios, pois o crescimento da sua margem pode estagnar em algum ponto do treinamento, o oposto do m\u00e9todo linear que pode ser mais agressivo e da margem fixa que n\u00e3o se adapta ao problema.<\/p>

Esse trabalho intitulado “Maintaining Difficulty: A Margin Scheduler for Triplet Loss in Siamese Network Training<\/span><\/strong><\/span><\/a>” foi apresentado na IJCNN 2026.<\/p>

<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

How Far is Too Far? Defining the Distance\nThreshold for Verification Siamese Networks.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Em Redes Siamesas, dois objetos s\u00e3o considerados da mesma classe se a dist\u00e2ncia entre eles est\u00e1 abaixo de um threshold pr\u00e9-definido. O artigo prop\u00f5e ent\u00e3o descobrir o threshold (t) de cada problema ao assumir que a distribui\u00e7\u00e3o das dist\u00e2ncias podem ser aproximadas por uma fun\u00e7\u00e3o bimodal, nesse cen\u00e1rio t \u00e9 o ponto m\u00ednimo entre duas modas: pares positivos nas dist\u00e2ncias menores e pares negativos nas maiores. Ao contr\u00e1rio de outros m\u00e9todos, como selecionar esse hiperpar\u00e2metro a partir da analise da curva ROC, o sugerido pelo estudo n\u00e3o necessita de dados previamente rotulados e n\u00e3o sofre da mudan\u00e7a de distribui\u00e7\u00e3o entre dados de treino, valida\u00e7\u00e3o e teste, al\u00e9m disso, a t\u00e9cnica proposta possui bom desempenho em dados desbalanceados.<\/p>

Os dois algoritmos apresentados s\u00e3o o BimodalVal, o qual estima o threshold apenas usando o conjunto de dados de valida\u00e7\u00e3o, e o BimodalUpd, cujo t \u00e9 inicializado conforme os dados de valida\u00e7\u00e3o, mas a cada 64 novas dist\u00e2ncias observadas no teste o hiperpar\u00e2metro pode se adaptar. Nos experimentos, esses dois algoritmos foram comparados com utilizar um threshold fixo e com o m\u00e9todo Equal Error Rate (EER) nos datasets MNIST, CIFAR10, PKLot e LFW. Os resultados mostram que os algoritmos propostos e o EER tem acur\u00e1cias semelhantes e significamente melhores do que apenas utilizar um threshold fixo.<\/p>

Esse trabalho intitulado \u201cHow Far is Too Far? Defining the Distance Threshold for Verification Siamese Networks\u201d<\/a><\/span><\/strong> foi apresentado na SMC 2026.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

otimiza\u00e7\u00f5es no treinamento em modelos de metric learning Pesquisadores Paulo R. Lisboa de Almeida UFPR Andr\u00e9 Gr\u00e9gio UFPR Roberto Tomchak […]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"site-sidebar-layout":"no-sidebar","site-content-layout":"","ast-site-content-layout":"full-width-container","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"disabled","ast-breadcrumbs-content":"","ast-featured-img":"disabled","footer-sml-layout":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"class_list":["post-2573","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/prlalmeida.com.br\/dsbd\/wp-json\/wp\/v2\/pages\/2573","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prlalmeida.com.br\/dsbd\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/prlalmeida.com.br\/dsbd\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/prlalmeida.com.br\/dsbd\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prlalmeida.com.br\/dsbd\/wp-json\/wp\/v2\/comments?post=2573"}],"version-history":[{"count":11,"href":"https:\/\/prlalmeida.com.br\/dsbd\/wp-json\/wp\/v2\/pages\/2573\/revisions"}],"predecessor-version":[{"id":2612,"href":"https:\/\/prlalmeida.com.br\/dsbd\/wp-json\/wp\/v2\/pages\/2573\/revisions\/2612"}],"wp:attachment":[{"href":"https:\/\/prlalmeida.com.br\/dsbd\/wp-json\/wp\/v2\/media?parent=2573"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}