APRENDIZAGEM DE REPRESENTAÇÃO CAUSAL EM REDES
Resumo
Apesar do sucesso das técnicas de aprendizagem de máquina popularmente conhecidas como Inteligência Artificial, especialistas apontam a fragilidade de que tais técnicas são fundamentadas em pressupostos teóricos muitas vezes não satisfeitos em dados reais. Uma das fragilidades mais bem conhecidas, por exemplo, é o fato de que abordagens como redes neurais artificiais e suas variações serem fundamentadas em ideias similares à correlação. Alguns autores recentes têm enfatizado a necessidade de se criarem abordagens capazes de aprender a estrutura causal dos fenômenos. A aprendizagem de tal estrutura possibilitaria entender o mecanismo gerador dos dados. Neste contexto, esta proposta de projeto tem como objetivo estudar causalidade e abordagens de aprendizagem profunda que utilizam mecanismos de atenção para desenvolver e avaliar uma abordagem que utiliza autocodificadores como um mecanismo para descoberta de representação causal em dados. A literatura sugere que, uma vez aprendida, a estrutura causal de um determinado fenômeno pode contribuir para lidar com problemas que não atendem adequamente a premissa de I.I.D. (independente e identificamente distribuído) e para possibilitar o treinamento de modelos utilizando menores quantidades de dados.
