Catalogação de modelos de divergência ativa para aprendizado profundo gerativo

Abstract

A geração de artefatos de arte por algoritmos de Deep Learning, em especial no que se refere à produção de imagens, vem recebendo bastante atenção nos últimos tempos por pesquisadores e artistas entusiastas no geral. Considerando o uso das Redes Neurais Artificiais e métodos de modelagem, como Autoencoders e Generative Adversarial Networks (GANs), é conhecido que o conjunto de artefatos gerados tende a convergir para se adequar ao conjunto de dados de treinamento, como já é esperado dada a própria natureza das redes neurais. No contexto de Criatividade Computacional, as técnicas de Divergência Ativa representam métodos de gerar novos conjuntos que divirjam do(s) conjunto(s) de treinamento de maneira ativa e associativa, permitindo que os artefatos gerados tendam a ser mais originais e únicos, e de uma maneira mais conceitual, mais criativos. Dado o estado atual de pesquisa sobre a área, que carece de documentações centralizadas de exemplos de tais possíveis métodos, o objetivo desse trabalho é suprir tal falta com uma catalogação de projetos que usem desse conceito para a divergência criativa dos artefatos gerados, permitindo a execução dos códigos para testes usando o Google Colab.