WR Audit

Caderno técnico

Glossário

Gradiente
[definição a fornecer]
Curva de perda em uma dimensão com passos sucessivos descendo em direção ao mínimo.
Gradiente descendente em uma dimensão: cada passo segue a inclinação da curva até o mínimo.Apresentação Gráfica Conceitual, a análise efetiva é feita por projeto e por corpo de dados.
Curvas de nível de uma função de perda em duas dimensões com a trajetória do treino até o mínimo.
Curvas de nível: o gradiente aponta na direção de maior subida; o treino caminha no sentido oposto.Apresentação Gráfica Conceitual, a análise efetiva é feita por projeto e por corpo de dados.
Hessiana
[definição a fornecer]
Matriz hessiana com as derivadas segundas da perda em relação a cada par de parâmetros.
Figura 5. Matriz Hessiana. Reúne as segundas derivadas da perda (hᵢⱼ = ∂²L/∂θᵢ∂θⱼ) e descreve a curvatura em torno da solução. Seus autovetores apontam as direções mais íngremes (λ grande) e mais planas (λ pequeno).Apresentação Gráfica Conceitual, a análise efetiva é feita por projeto e por corpo de dados.
Ponto de sela

Ponto onde o gradiente é zero, mas que não é um mínimo: a perda sobe numa direção e desce em outra. A Hessiana é indefinida (autovalores de sinais opostos). Em modelos com muitos parâmetros, o treino pode desacelerar perto desses pontos, e onde ele para importa para a distribuição do erro entre grupos.

Superfície em forma de sela: a perda sobe numa direção e desce na outra a partir do ponto central.
Figura 9. Ponto de sela. O gradiente é zero e a superfície é plana naquele ponto, mas não há mínimo: a perda sobe numa direção e desce em outra (Hessiana indefinida). O treino pode desacelerar perto desses pontos.Apresentação Gráfica Conceitual, a análise efetiva é feita por projeto e por corpo de dados.
Jacobiana

Mostra quanto cada saída do modelo muda quando cada entrada muda. A coluna do atributo sensível (ou de um proxy dele) mede a dependência direta da decisão em relação a ele.

Matriz jacobiana relacionando as saídas do modelo às entradas, com destaque para a coluna do atributo sensível.
Figura 6. Matriz Jacobiana. Mostra quanto cada saída do modelo muda quando cada entrada muda (jᵢⱼ = ∂ŷᵢ/∂xⱼ). A coluna do atributo sensível, ou de um proxy dele, mede a dependência direta da decisão em relação a ele.Apresentação Gráfica Conceitual, a análise efetiva é feita por projeto e por corpo de dados.
Representação vetorial

O modelo representa cada pessoa como um vetor. Quando os grupos ocupam regiões diferentes desse espaço, a diferença entre os vetores médios indica uma direção de disparidade.

Pontos de dois grupos em um espaço de representação, com os vetores médios de cada grupo e a diferença entre eles.
Figura 7. Espaço de representação. O modelo descreve cada pessoa como um vetor. Quando os grupos ocupam regiões distintas, a diferença entre os vetores médios, v(B) − v(A), indica uma direção de disparidade que a fronteira de decisão pode reproduzir.Apresentação Gráfica Conceitual, a análise efetiva é feita por projeto e por corpo de dados.
Rede neural em camadas transformando as entradas de uma pessoa em um vetor de representação.
Figura 8. Estrutura vetorial de uma rede neural. A informação avança camada a camada como vetores transformados por matrizes de pesos (W₁, W₂, W₃). No treino, o gradiente percorre o caminho inverso e ajusta cada matriz.Apresentação Gráfica Conceitual, a análise efetiva é feita por projeto e por corpo de dados.
Função de influência
[definição a fornecer]
Caixa-preta
[definição a fornecer]
Caixa-branca
[definição a fornecer]

Notação

[notação a ser fornecida]

Referências

  1. [referências a serem fornecidas]