Benchmarking Noisy Label Detection Methods

Thu, 16 Oct 2025 00:00:00 +0000

Preprint que propõe um benchmark abrangente de métodos de detecção de rótulos ruidosos em aprendizado supervisionado. O trabalho decompõe a detecção em três componentes estruturais — função de concordância, método de agregação e tipo de coleta (in-sample vs. out-of-sample) — permitindo uma análise comparativa sistemática. Também introduz uma métrica inédita de avaliação baseada na taxa de falso negativo em ponto de operação fixo. Trabalho em colaboração com o grupo de pesquisa em aprendizado robusto da UFSC, complementando o método com ênfase no aspecto de detecção em vez de treinamento robusto.

Rápido Reconhecimento de Modulações Analógicas e Digitais via Redes Residuais Profundas

Sun, 01 Mar 2020 00:00:00 +0000

Estudo que aplica redes residuais profundas (ResNet) para reconhecimento automático de modulações (AMR) em sinais de comunicação analógicos e digitais. O trabalho foca no trade-off entre desempenho de reconhecimento e tempo de treinamento, problema crítico para aplicações em tempo real. Duas arquiteturas ResNet foram projetadas, obtendo desempenhos equivalentes às mais recentes arquiteturas da literatura com tempos de treinamento significativamente menores. Este capítulo complementa a linha de classificação automática de modulações iniciada em (SBrT, 2019).

🏆 Honra ao Mérito — Melhor Trabalho Completo no XIV Simpósio Brasileiro de Engenharia Física (2019).

Machine Learning | Jorge Kamassury — Academic CV

Benchmarking Noisy Label Detection Methods

Rápido Reconhecimento de Modulações Analógicas e Digitais via Redes Residuais Profundas