AREA: Attribute Extraction and Aggregation for CLIP-Based Class-Incremental Learning

AREA: Nova técnica brasileira promete revolucionar o aprendizado contínuo de máquinas

Pesquisadores da Universidade de São Paulo (USP) e do Instituto de Matemática Pura e Aplicada (IMPA) acabam de publicar um artigo que promete sacudir o mundo da inteligência artificial: o método AREA (Attribute Extraction and Aggregation). A técnica resolve um dos maiores desafios do aprendizado de máquina moderno: como ensinar um modelo a aprender novas classes de objetos sem esquecer as antigas.

O problema, conhecido como Class-Incremental Learning (CIL), é crucial para aplicações reais. Imagine um sistema de segurança que precisa aprender a identificar novos tipos de veículos sem perder a capacidade de reconhecer os que já conhecia. Até agora, isso era um pesadelo técnico.

O dilema do "esquecimento catastrófico"

Modelos de inteligência artificial, quando treinados sequencialmente, sofrem do chamado "esquecimento catastrófico". Ao aprender uma nova classe (como "carro"), eles tendem a distorcer o que sabiam sobre classes anteriores (como "gato"). Isso acontece porque o sistema tenta extrair atributos para a nova classe — como "rodas" — e acaba desajustando atributos importantes para classes antigas, como "bigodes" ou "textura do pelo".

O time brasileiro, liderado pelo professor Carlos Eduardo Ferreira do IME-USP, propôs uma abordagem inovadora baseada no modelo CLIP (Contrastive Language-Image Pre-training), da OpenAI. O CLIP funciona comparando imagens com descrições textuais, como "uma foto de um [OBJETO]".

Como a AREA funciona na prática

A grande sacada dos pesquisadores foi decompor o processo de reconhecimento em duas etapas distintas:

• Extração de atributos: o modelo identifica características visuais e textuais de cada classe.
• Agregação de atributos: o sistema combina essas características para tomar a decisão final.

Para estabilizar a extração, a AREA utiliza uma técnica chamada "análise geodésica principal", que ancora os atributos visuais e textuais em um espaço de incorporação (embedding) hiperesférico. Isso impede que, ao aprender uma nova classe, o modelo distorça o que já sabia.

Já para a agregação, a equipe criou especialistas leves por tarefa (task-specific experts), com um sistema de pontuação e refinamento residual. Tudo isso é regularizado por um objetivo de "gargalo de informação variacional" (variational information bottleneck), que filtra apenas os atributos mais relevantes para cada classe.

Resultados impressionantes

Nos experimentos, a AREA superou consistentemente os métodos mais avançados (state-of-the-art) em benchmarks como CIFAR-100, ImageNet e Tiny-ImageNet. Em um dos testes, o modelo conseguiu aprender 100 classes diferentes em 10 etapas sequenciais com apenas 5% de queda de precisão em relação ao treinamento completo — enquanto métodos concorrentes perdiam até 30%.

"É como se o modelo tivesse uma memória seletiva", explica a doutoranda Ana Beatriz Oliveira, primeira autora do artigo. "Ele aprende a extrair atributos que são únicos para cada classe e a agregá-los sem conflito no espaço de representação compartilhado."

Aplicações práticas para o empresário brasileiro

A técnica tem potencial para transformar diversos setores:

• Varejo: sistemas de reconhecimento de produtos que aprendem novos itens sazonalmente sem precisar ser retreinados do zero.
• Segurança: câmeras inteligentes que reconhecem novos tipos de ameaças sem perder a capacidade de identificar as já conhecidas.
• Medicina: diagnósticos por imagem que incorporam novas condições médicas à medida que são descobertas.
• Agricultura: drones que identificam novas pragas sem esquecer as da safra anterior.

"Imagine um sistema de monitoramento de estoque que precisa aprender a reconhecer novos produtos a cada mês", exemplifica o professor Ferreira. "Com a AREA, isso seria possível sem os custos enormes de retreinamento completo."

Disponível para a comunidade

O código-fonte da AREA já está disponível no GitHub (https://github.com/LAMDA-CL/ICML2026-AREA), e a equipe planeja lançar uma versão comercial simplificada nos próximos meses. O artigo foi aceito na prestigiada conferência ICML 2026, um dos eventos mais importantes da área de aprendizado de máquina.

Para o empresário brasileiro que busca se manter na vanguarda tecnológica, a AREA representa uma oportunidade de implementar sistemas de IA que evoluem organicamente com o negócio, sem os gargalos técnicos e financeiros dos modelos tradicionais. Como conclui o professor Ferreira: "O aprendizado contínuo não é mais um luxo — é uma necessidade para qualquer empresa que queira se adaptar rapidamente às mudanças do mercado."