Linha de pesquisa: Ciência de Dados

Resumo: Este trabalho avalia arquiteturas de redes neurais profundas para classificação étnico racial de candidatos a cargos eletivos a partir de imagens oficiais e autodeclarações de cor/raça, registradas pelo Tribunal Superior Eleitoral. Para isso foi contruído um fluxo de detecção facial, filtragem por saturação, normalização e rotulagem, sobre o qual quatro arquiteturas: VGG19, VGG19-BN, Inception-ResNet-v2 e MaxVit, foram ajustadas por transferência de aprendizado e avalidas em quinze experimentos com métricas de desempe nho agregado e de equidade por grupo. Enquanto a distintição entre as categorias Branco e Preto atingiu acurácia superior a 95%, os modelos treinados com as três categorias: Branco, Preto e Pardo, ficou limitada a um teto de aproxidamente 73%. Experimen tos controlados de balanceamento mostraram que a desvantagem sismática da categoria Pardo, a qual apresentou a menor revocação de todas as configurações de três classes, não decorre da distribuição das amostras, mas da ausência de uma fronteira separável entre as classes, e que técnicas de reamostragem e reponderação não as eliminam. A arquitetura baseada em transformador se igualou em desempenho com as redes convolucionais, porém com uma fração dos parâmetros. Dessa forma, foi possível concluir que nesta tarefa, a formulação do problema pesa mais do que a escolha do modelo, e que a categoria Pardo se comporta como fronteira entre os extremos do espectro e não como uma classe delimi tável, impondo um limite de separabilidade que nenhuma das técnicas avaliadas foi capaz de superar.

Link para a defesa: https://teams.microsoft.com/meet/281583300062124?p=fGiHPaIFvClkP49z1A