3. Generativo
Entrega 3 de 3 do Projeto
A mudança de pergunta
As entregas anteriores perguntavam \(p(y \mid \mathbf{x})\) — dado um exemplo, qual o rótulo. Esta pergunta \(p(\mathbf{x})\): como os dados foram gerados, e como produzir amostras novas que poderiam ter vindo do mesmo lugar. Isso muda tudo, inclusive a avaliação: não existe "acurácia" de uma amostra gerada.
O dataset e as decisões da equipe ficam na página do projeto. Reaproveite o EDA — o que você descobriu sobre distribuições e desbalanceamento é exatamente o que o modelo generativo precisa reproduzir.
1. Objetivo
O que será gerado e para quê. Se a intenção é aumentar dados da classe minoritária identificada no EDA, diga isso — e a seção 7 vai medir se funcionou.
2. Modelo escolhido
Qual família (VAE, GAN, difusão, flow matching) e por que ela, dado o tipo de dado e o tamanho do dataset.
| Família | |
| Por que esta | |
| Alternativa descartada | |
| Motivo do descarte |
3. Arquitetura
Encoder/decoder, gerador/discriminador ou rede de denoising, com dimensões e ativações.
flowchart LR
x["x<br/>(dado real)"] --> enc[Encoder]
enc --> z["z<br/>(espaço latente)"]
z --> dec[Decoder]
dec --> xr["x̂<br/>(reconstrução)"]Descreva o espaço latente: dimensão e por quê. Latente pequeno demais perde detalhe; grande demais vira cópia com ruído.
4. Função objetivo
Escreva a perda e explique cada termo. Num VAE, por exemplo:
O equilíbrio entre os termos é uma decisão sua: diga qual valor usou e o que acontecia nos extremos que você testou.
5. Treinamento
Hiperparâmetros, tempo de treino e as patologias enfrentadas — posterior collapse, mode collapse, discriminador que domina, perda que diverge. Diga como diagnosticou cada uma e o que fez.
Figura 1 — Componentes da perda ao longo das épocas.
6. Amostras geradas
Amostras não selecionadas a dedo — uma grade aleatória, não as melhores. Se houver seleção, declare o critério.
Figura 2 — Amostras geradas a partir de \(\mathbf{z} \sim \mathcal{N}(0, I)\).
Se o espaço latente for interpretável, mostre uma interpolação entre dois pontos e comente se a transição é suave — transição abrupta indica latente mal estruturado.
7. Avaliação
Métricas generativas não medem acerto, medem fidelidade e diversidade — e as duas podem ser trocadas uma pela outra. Reporte as duas dimensões.
| Métrica | Valor | O que mede |
|---|---|---|
Complemente com comparações diretas contra os dados reais: distribuição das features geradas contra a original, estatísticas por classe, e uma inspeção qualitativa honesta.
Memorização
Um modelo generativo que reproduz exemplos do treino não generalizou — decorou. Verifique a distância entre cada amostra gerada e seu vizinho mais próximo no conjunto de treino, e relate o resultado mesmo que seja desfavorável.
O modelo serviu ao propósito?
Se o objetivo da seção 1 era aumentar dados, treine novamente o modelo da entrega anterior com os dados sintéticos e compare as métricas. Essa comparação é o teste real.
| Cenário | Métrica principal |
|---|---|
| Só dados reais | |
| Reais + sintéticos |
Conclusão
O que o modelo aprendeu sobre a distribuição, onde falhou, e o que a equipe faria diferente.