Year: 2025
Type: dissertation
Abstract: Na última década, modelos de aprendizagem profunda tiveram sucessos notáveis em tarefas como classificação de imagem, muitas vezes superando o desempenho humano.Contudo, estes modelos são altamente complexos e opacos, o que dificulta a interpretação humana dos seus processos de decisão.Esta falta de transparência levanta preocupações éticas e legais, especialmente em domínios sensíveis onde a responsabilização é essencial.Em resposta, regulações recentes como o Regulamento Geral sobre a Proteção de Dados da União Europeia introduziram o "direito à explicação", exigindo sistemas interpretáveis e passíveis de escrutínio, o que levou a um aumento do interesse por parte da comunidade científica no desenvolvimento de tais soluções nos últimos anos.Entre os vários métodos de interpretabilidade propostos, as explicações baseadas em casos, que justificam as decisões do modelo através da apresentação de exemplos semelhantes, oferecem uma solução particularmente intuitiva e alinhada com a forma como os humanos raciocinam.O principal foco desta dissertação é o reconhecimento facial transparente, um campo onde a precisão, por si só, não é suficiente.Sistemas poderosos de reconhecimento de identidade estão a ser cada vez mais utilizados em áreas sensíveis como a vigilância e controlo de fronteiras por autoridades policiais, onde as decisões podem ter impactos significativos na vida das pessoas.No entanto, apesar da crescente dependência destes sistemas, estes carecem da transparência necessária para garantir justiça e proteger direitos individuais.Em adição, o número de alternativas interpretáveis para reconhecimento facial é ainda reduzido, e as soluções totalmente transparentes encontram-se numa fase muito inicial.Para colmatar esta lacuna, este trabalho propõe duas arquiteturas inovadoras e interpretáveis de verificação facial, baseadas em Redes Siamesas, modelos particularmente adequados para tarefas de verificação de identidade.Estas arquiteturas foram concebidas para integrar um raciocínio por casos diretamente no seu funcionamento, permitindo explicações humanamente compreensíveis através de comparações relevantes entre rostos.Ambos os modelos foram experimentalmente avaliados, tendo sido analisado o seu desempenho de decisão, bem como a qualidade e clareza das suas explicações.Os resultados obtidos demonstram que ambas as propostas apresentam desempenho equiparável ou superior às versões base de Redes Siamesas, dependendo da configuração em uso.Para além disso, estas oferecem interpretabilidade e prestação de contas superiores em contextos críticos, contribuindo para o desenvolvimento de sistemas de reconhecimento facial éticos e legalmente sustentáveis.
Author: Marco André Rocha Pinto
Language: English
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W6991386529