Autômato de rede diferenciável para otimização com gradiente descendente

• Processo: 24/02727-0
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de agosto de 2024
• Data de Término da vigência: 01 de julho de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Odemir Martinez Bruno
• Beneficiário: Lucas Caldeira de Oliveira
• Instituição Sede: Instituto de Física de São Carlos (IFSC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 18/22214-6 - Rumo à convergência de tecnologias: de sensores e biossensores à visualização de informação e aprendizado de máquina para análise de dados em diagnóstico clínico, AP.TEM
• Bolsa(s) vinculada(s): 24/16345-1 - Impacto da variação no tamanho da vizinhança na exploração do espaço de regras do LLNA por gradiente descendente estocástico, BE.EP.MS
• Assunto(s): Redes complexas Redes neurais Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Classificação de grafos | Redes Complexas | Redes neurais | Inteligência Artificial

Resumo

A teoria de Redes Complexas possibilita o estudo e compreensão de fenômenos não-lineares de domínios variados como bioquímica, interações sociais e a Internet. Adicionalmente, Autômatos de Rede são formalismos que adaptam a lógica de um autômato celular para a tesselagem não-regular das redes, tendo sido utilizados de forma eficiente para a caracterização de redes complexas por meio da geração de padrões de evolução temporal, a depender as regras do autômato e da topologia da rede. Uma vez que a otimização de um classificador de redes baseado em autômatos é uma tarefa de alto custo computacional, uma estratégia comum adotada na literatura têm sido a limitação do espaço de parâmetros do autômato e do extrator de características, seguido de uma busca exaustiva com otimização local do classificador, que pode ser vista como o método grid search. Neste trabalho propõe-se a adaptação dos algoritmos do autômato de rede e do extrator de características para funções diferenciáveis. Desta forma, é possível utilizá-los como camadas de uma rede neural e otimizar todos os parâmetros por meio de gradiente descendente.