Aprendizado Profundo para Separação Cega de Fontes em Misturas Não-Lineares

• Processo: 25/12174-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de setembro de 2025
• Data de Término da vigência: 31 de agosto de 2026
• Área de conhecimento: Engenharias - Engenharia Elétrica - Telecomunicações
• Pesquisador responsável: Levy Boccato
• Beneficiário: Guilherme Filizatti Ramalho
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Empresa: Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação (FEEC)
• Vinculado ao auxílio: 20/09838-0 - BI0S - Brazilian Institute of Data Science, AP.PCPE
• Assunto(s): Aprendizado computacional Aprendizagem profunda Processamento de sinais Separação cega de fontes
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado profundo | autoencoders | Post nonlinear | Processamento de Sinais | Separação Cega de Fontes | Aprendizado de Máquina

Resumo

Este projeto de iniciação científica tem como foco o problema de separação cega de fontes no contexto de misturas com não-linearidade posterior (PNL, do inglês post nonlinear), e visa estudar um arcabouço de separação baseado em autoencoders (AEs) e aprendizado adversário. A pesquisa tomará como base o modelo Anica, originalmente proposto por Brakel e Bengio (2017), no qual uma estrutura encoder-decoder foi combinada com uma rede discriminadora para simultaneamente produzir uma representação latente informativa, no sentido de que as misturas podem ser reconstruídas a partir das variáveis latentes, e atingir independência estatística entre essas variáveis, de modo a recuperar estimativas das fontes.Nosso alvo é explorar e expandir o potencial do modelo Anica, incorporando hipóteses conhecidas do sistema misturador, como a imposição de monotonicidade nas funções não-lineares do decoder, utilizando arquiteturas de redes monotônicas. Além disso, pretende-se investigar estimadores eficientes de medidas de informação, como a divergência de Kullback-Leibler, para substituir a rede discriminadora (e.g., via método MINE), na busca por melhorar a estabilidade e/ou a convergência do treinamento, e reduzir a necessidade de grandes volumes de dados. As estruturas de separação desenvolvidas serão aplicadas em vários cenários do problema, considerando diferentes perfis de não-linearidade, matriz de mistura e quantidade e tipo de fontes, de forma a avaliarmos o desempenho de cada técnica e estabelecer um quadro comparativo entre elas. (AU)