Questão de Tecnologia da Informação · FGV TCE-PA 2024 (nº 68)

O colapso de modo (ou Mode Collapse) em GANs ocorre quando a rede geradora se concentra em produzir apenas alguns tipos específicos de dados, ignorando a diversidade do conjunto de treinamento, porque esses poucos tipos são suficientes para enganar a rede discriminadora.

• (A) Incorreta: A falha de convergência significa que o modelo não consegue aprender ou estabilizar seu treinamento de forma eficaz, não que ele aprende um subconjunto limitado de dados.
• (B) Incorreta: O sobreajuste (overfitting) ocorre quando um modelo aprende os dados de treinamento tão bem que inclui ruídos e detalhes irrelevantes, performando mal em dados novos e não vistos. No contexto de GANs, isso significaria que o gerador estaria memorizando amostras de treinamento, e não que ele está gerando uma variedade limitada de novos tipos de dados. A armadilha aqui é que "quantidade limitada de tipos de dados" pode soar como algo muito específico, mas o problema é a falta de variedade na distribuição dos dados gerados, que é o cerne do colapso de modo, e não a memorização de instâncias de treinamento.
• (C) Correta: O colapso de modo (Mode Collapse) descreve exatamente o fenômeno em que a rede geradora de uma GAN produz apenas uma pequena variedade de tipos de dados, mesmo que o conjunto de treinamento seja rico e diversificado, porque ela encontra um "atalho" para enganar a rede discriminadora com esses poucos tipos.
• (D) Incorreta: Filtragem estocástica é um conceito relacionado a estimativa de estados em sistemas dinâmicos com ruído, como em filtros de Kalman, e não se aplica a problemas de treinamento de GANs.
• (E) Incorreta: Crescimento de padrões frequentes (Frequent Pattern Growth) é um algoritmo de mineração de dados usado para encontrar conjuntos de itens que aparecem frequentemente juntos em um banco de dados, sem relação com problemas de treinamento de GANs.