Questão de Tecnologia da Informação · FGV TCE-PA 2024 (nº 61)

O colapso de modo é quando uma rede geradora em uma GAN aprende a produzir apenas um tipo limitado de dados, mesmo que tenha sido treinada com dados muito mais variados, porque esses poucos tipos são suficientes para enganar a rede discriminadora.

(A) Incorreta: Falha de Convergência significa que o treinamento da GAN não consegue se estabilizar, as redes não aprendem ou oscilam sem chegar a um ponto útil, o que é diferente de aprender a gerar apenas alguns tipos de dados.
(B) Incorreta: Sobreajuste (ou overfitting) ocorre quando um modelo aprende os dados de treinamento tão bem que não consegue generalizar para novos dados. Embora uma GAN possa sobreajustar a certos padrões, o problema descrito foca na falta de diversidade na saída gerada, não na incapacidade de generalizar para dados novos (mas similares aos de treinamento), mas sim na incapacidade de gerar a variedade presente nos dados de treinamento. A armadilha aqui é que o gerador "aprende" um subconjunto dos dados, o que pode parecer um tipo de sobreajuste, mas o termo específico para a perda de diversidade de saída em GANs é colapso de modo.
(C) Correta: O Colapso de Modo (Mode Collapse) é exatamente o fenômeno descrito: a rede geradora encontra um ou poucos "modos" (tipos de dados) que são fáceis de produzir e que conseguem enganar a rede discriminadora, ignorando a diversidade completa dos dados de treinamento e resultando em uma saída gerada com pouca variedade.
(D) Incorreta: Filtragem Estocástica não é um termo padrão ou problema conhecido no contexto de GANs ou inteligência artificial generativa.
(E) Incorreta: Crescimento de Padrões Frequentes é um conceito da mineração de dados, relacionado à identificação de itens que aparecem juntos frequentemente em um conjunto de dados, e não se aplica ao problema de falta de diversidade na geração de dados por GANs.