Microestados de recorrências associados com técnicas de aprendizado de máquinas no estudo de sistemas dinâmicos

Giovana Spader Spezzatto
Lattes | ORCID | E-mail

Thiago de Lima Prado
Lattes | ORCID | E-mail

Resumo: Os crescentes desenvolvimentos da neurociência e da tecnologia têm proporcionado diversos avanços, de modo que, graças à integração dessas duas áreas, tornou-se possível uma melhor compreensão do cérebro, bem como o desenvolvimento de métodos computacionais inspirados em sua arquitetura. Especialmente na análise de sistemas dinâmicos, que são caracterizados por comportamentos complexos e não-lineares ao longo do tempo, ferramentas da computação vêm tendo cada vez mais relevância, facilitando e tornando os cálculos necessários cada vez mais precisos. A fim de fornecer percepções valiosas e aplicações práticas nos mais diversos campos da sociedade (incluindo desde a dinâmica cerebral até fenômenos sociais, econômicos e ambientais), foi explorada ao longo desta pesquisa uma conexão entre as técnicas de aprendizado de máquina e o princípio da máxima entropia, formalizado por Jaynes em 1957. A pesquisa concentrou-se na abordagem das probabilidades associadas a cada microestado de recorrência e a entropia de informação (ou entropia de Shannon) dos sistemas discretos Beta X e Logístico, conforme a variação do parâmetro Epsilon (também conhecido como limiar de recorrência) para treinamento e teste da máquina. Os códigos foram feitos conforme a linguagem de programação Python 3, com o auxílio da biblioteca Keras, implementada via TensorFlow, seguindo uma configuração de rede chamada de Multilayer perceptron (MLP) e um treinamento supervisionado, onde cada sistema utilizado para treinamento é introduzido com sua respectiva classe. Ao se comparar os resultados obtidos, pôde-se aferir que o valor do limiar de recorrência da região de maior entropia coincide com o valor deste mesmo limiar que corresponde a uma maior acurácia da máquina em classificar os sistemas em questão. Por fim, estes resultados sugerem uma correlação entre a máxima entropia e a efetividade de informação, ou seja, quanto maior a variedade de configurações do sistema, maior seria a quantidade de informação obtida sobre ele e, consequentemente, mais precisa seria a sua classificação.

Palavras-chave: Sistemas Dinâmicos; Microestados de Recorrência; Aprendizado de Máquina; Entropia, cbf

Edição: Vol. 3 - Núm. 3 | DOI: 10.5281/zenodo.10223513

Baixar em PDF