Aprendizado de Máquina Baseado na Teoria da Informação: Novas Perspectivas em Separação de Sinais em Corpos Finitos e Inversão de Sistemas de Wiener

Resumo

Este projeto trata do estudo de dois problemas de grande atualidade em processamento de sinais, que são abordados sob a égide do conceito unificador de aprendizado de máquina baseado na teoria da informação. Usando uma perspectiva ampliada que contempla a adoção de meta-heurísticas bio-inspiradas e descritores não necessariamente diferenciáveis, temos como objetivo geral o desenvolvimento e a extensão de metodologias aplicáveis aos problemas de separação de sinais em corpos finitos e inversão de sistemas de Wiener. Ambos os problemas possuem significativo potencial de aplicação em diversos cenários reais, abrindo perspectivas interessantes em áreas como genômica, mineração de dados, processamento de dados sísmicos, entre outros.Este tema de pesquisa é uma continuidade do trabalho de doutorado do candidato, que se encontra em fase de conclusão. Desta forma, pretende-se estender significativamente as contribuições já realizadas tanto no sentido de aprofundamento dos paradigmas propostos quanto na análise de novas possibilidades teóricas e práticas. Um resumo dos trabalhos realizados pelo candidato no seu doutorado pode ser encontrado em [1-9].Ao fim, espera-se que as contribuições realizadas fortaleçam ainda mais a concepção de que as técnicas de aprendizado de máquina baseado na teoria da informação não podem se restringir a sinais contínuos e procedimentos de adaptação baseados em busca por gradiente da função custo.