Previsão conformal para sistemas neuronais com memória de comprimento variável

• Processo: 25/13627-9
• Modalidade de apoio: Bolsas no Exterior - Pesquisa
• Data de Início da vigência: 01 de agosto de 2026
• Data de Término da vigência: 31 de julho de 2027
• Área de conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística - Probabilidade e Estatística Aplicadas
• Pesquisador responsável: Ricardo Felipe Ferreira
• Beneficiário: Ricardo Felipe Ferreira
• Pesquisador Anfitrião: Gabor Lugosi
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Instituição Anfitriã: Universitat Pompeu Fabra (UPF), Espanha
• Palavra(s)-Chave do Pesquisador: cadeias interagentes com memória de tamanho variável | predição conformal | sequências de disparos neuronais | Quantificação de incerteza

Resumo

Aprendizado estatístico refere-se ao vasto conjunto de ferramentas cujo principal objetivo é identificar padrões a partir de dados. Essas ferramentas têm se destacado na geração de previsões precisas em diversos domínios. No entanto, a maioria dos modelos e/ou algoritmos fornece apenas previsões pontuais que não incorporam nenhuma noção de incerteza, ou então regiões de predição sem garantias estatísticas para amostras finitas. Na neurociência, a incerteza associada às previsões de trens de disparo tem sido amplamente negligenciada na literatura. Este trabalho visa preencher essa lacuna quantificando tal incerteza por meio do uso de predição conformal. A predição conformal tem se consolidado como um método popular para quantificação de incerteza por ser livre de suposições sobre a distribuição, independente do modelo e teoricamente bem fundamentada. Para problemas de previsão no contexto de aprendizado supervisionado, a maioria dos métodos conformais baseia-se na suposição de permutabilidade (por exemplo, dados i.i.d.). No entanto, essa suposição geralmente não se sustenta em séries temporais biológicas. Neste projeto, a atividade da rede neuronal é modelada como um sistema enumerável de cadeias interagentes com memória de comprimento variável. Nesse sentido, buscamos generalizar a predição conformal para sistemas interagentes nos quais a suposição de permutabilidade não é válida, as dependências temporais não são fixas e a série temporal subjacente é multivariada. Para validar a teoria proposta, pretendemos demonstrar a eficácia do método conformal por meio de análises envolvendo simulações e dados reais, comparando-o com métodos não conformais. Abordamos também a questão da seleção de modelos estatísticos não paramétricos para uma classe de sistemas biológicos interagentes, o que pode aumentar a acurácia preditiva do modelo quando a predição conformal é aplicada à previsão de trens de disparo.