Redes Neurais Morfológicas L-Fuzzy Explicáveis e Interpretáveis

• Processo: 26/12773-4
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de julho de 2026
• Data de Término da vigência: 31 de agosto de 2028
• Área de conhecimento: Ciências Exatas e da Terra - Matemática - Matemática Aplicada
• Pesquisador responsável: Peter Sussner
• Beneficiário: Rafael Silva Nogueira Pacheco
• Instituição Sede: Instituto de Matemática, Estatística e Computação Científica (IMECC). 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): Inteligência artificial explicável Lógica fuzzy Redes neurais (computação) Inteligência computacional
• Palavra(s)-Chave do Pesquisador: Computação em reticulados | Inteligência Artificial Explicável | Logica Fuzzy | morfologia matematica L-fuzzy | Redes Neurais Artificiais | reticulado completo residuado | Inteligência Computacional

Resumo

Os métodos de aprendizado profundo e, em particular, as redes neurais profundas são um dos tópicos de pesquisa mais relevantes da atualidade, com uma ampla variedade de aplicações. Pesquisadores do mundo todo têm se empenhado em superar suas limitações. Sem dúvida, a interpretabilidade de uma rede neural profunda e a explicabilidade dos resultados produzidos por tal modelo permanecem um dos maiores desafios. Essa observação levou a abordagens que incorporam regras fuzzy e o uso de funções de "matching" em modelos de redes neurais profundas.Embora as redes neurais morfológicas (MNNs) existam há muitos anos e a literatura recente tenha testemunhado o desenvolvimento de modelos de MNNs profundas, a forte relação das MNNs com a lógica fuzzy e o raciocínio baseado em funções de "matching" tem sido amplamente ignorada porque, até onde sabemos, os modelos de MNNs profundas atuais são essencialmente baseados na álgebra minimax. Neste contexto, lembre-se de que a álgebra minimax (no cenário usual dos reais estendidos) é isomorfa à morfologia matemática (MM) em tons de cinza, que pode ser relacionada à MM fuzzy e vista como um caso especial de MM L-fuzzy. Portanto, este projeto propõe o desenvolvimento de uma estrutura geral para MNNs L-fuzzy que permitirá interpretar diversos tipos de redes neurais (NNs), incluindo NNs baseadas em geometria tropical e NNs max-produto, em termos de operadores lógicos L-fuzzy e explicar seus resultados. Além disso, este projeto visa combinar certos algoritmos da literatura recente para aproximar uma NN profunda dada por meio de uma NN fuzzy antes de incorporar a ativação de protótipos via medidas de "subsethood" no modelo fuzzy resultante. Por fim, pretendemos aproveitar a estreita relação entre conjuntos L-fuzzy e grânulos de informação para desenvolver abordagens de NNs L-fuzzy voltadas para a computação granular. (AU)