Discriminação em sociedades de redes neurais

• Processo: 21/05378-8
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de julho de 2021
• Data de Término da vigência: 30 de setembro de 2021
• Área de conhecimento: Ciências Exatas e da Terra - Física - Física Geral
• Pesquisador responsável: Nestor Felipe Caticha Alfonso
• Beneficiário: Mariana Rocha Mercucci
• Instituição Sede: Instituto de Física (IF). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Assunto(s): Mecânica estatística Aprendizado computacional Redes neurais (computação)
• Palavra(s)-Chave do Pesquisador: Mecânica Estatística | Redes neurais | Sociofísica | Mecânica Estatística

Resumo

Estudamos polarização e formação de grupos que possuem opiniões opostas no contexto de modelos baseados em agentes, definidos por redes neurais classificadoras. Os agentes trocam opiniões binárias em problemas multidimensionais. Essa polarização pode ser alcançada de diversas maneiras e neste caso é devida à desconfiança que os agentes atribuem entre si. Um tópico central em aprendizado de máquinas é como extrair informações relevantes em um contexto de altas dimensões. Características irrelevantes aumentam a dimensão do espaço de entrada, levando à deterioração do desempenho. Alguns agentes estendem a asserção analisada corretamente com um conjunto de números que são irrelevantes para o problema de classificação original, mas dependem apenas do agente emissor. Este acréscimo irrelevante atua como ruído perturbador, levando os agentes a aprender efetivamente com um grupo de agentes semelhantes e a desaprender aprender a opinião oposta de outros agentes. Usamos o algorítimo "Entropic Dynamics learning algorithm for neural networks" (EDNNA) para introduzir a troca de informações em um modelo de sociedade, na qual os agentes são perceptrons. (AU)