Captura de Dados de Proveniência para Apoiar a Análise de Hiperparâmetros em Redes de Aprendizado Profundo

O treinamento das Redes Neurais Convolucionais (CNN) requer o ajuste de hiperparâmetros até que se encontre uma configuração em que a métrica escolhida pelo especialista seja satisfatória. Para isso, é preciso analisar dados do treinamento da CNN como a configuração dos hiperparâmetros e seus relacionamentos com a derivação dos dados. Nesse sentido, dados de proveniência podem auxiliar nessa análise por apresentarem metadados e a derivação dos dados do treinamento. As soluções existentes para a análise de configurações de hiperparâmetros não seguem padrões de representação de derivação dos dados e não permitem análise durante o treinamento. Tais abordagens requerem que o treinamento seja executado sob um portal ou ambiente de execução e/ou apresentam impacto significativo no tempo de treinamento da CNN. Apresenta-se, nesta dissertação, a CNNProv, uma solução de captura de dados de proveniência, que permite a análise de valores de hiperparâmetros durante o treinamento. A CNNProv adota o padrão W3C PROV para representar dados de proveniência e pode ser usada como serviços, independente de portal, contribuindo assim para a fase de treinamento das CNNs. Os experimentos realizados com o treinamento de CNNs em diferentes cenários usam uma CNN clássica, a AlexNet, e uma aplicação de imageamento sísmico. Os resultados mostram a adequação da CNNProv para a análise de hiperparâmetros com sobrecarga desprezível de até, no máximo, 4%.