Sincronização por acoplamento de osciladores e a sua aplicação em aprendizado semi-supervisionado

• Ano de defesa: 2021
• Autor(a) principal: Toso, Guilherme Marino [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Neurônios; Sincronização; Aprendizado semi-supervisionado; Fenomenologia; Corpo-próprio; GeoGebra; Calculadora 3D; GeoGebra AR; Cálculo diferencial; Cálculo integral; Phenomenology; Living-body; 3D calculator; Differential calculus; Integral calculus
• Link de acesso: http://hdl.handle.net/11449/235026

As redes neurais biológicas são objetos de estudo que envolvem diversos campos de pesquisa científica, desde biólogos e neurocientistas até físicos, matemáticos e cientistas da computação. Durante décadas muito se descobriu sobre suas unidades básicas, os neurônios, por exemplo, a propagação da informação em forma de impulso nervoso proveniente de um neurônio pré-sináptico para uma célula pós-sináptica, sendo que às vezes, esta transmissão é quase simultânea. Este fenômeno síncrono conhecido como sincronização neural pode explicar o aprendizado, bem como a atenção visual e a coordenação motora. A sincronização envolve a correlação temporal dos disparos neurais e esta eventualidade pode ser a representação dos atributos de um objeto. Em sistemas artificiais, este fenômeno já foi aplicado para realizar segmentação de imagens, onde os pixels são representados por uma grade de osciladores, assim, os elementos de uma grade com características semelhantes sincronizam suas oscilações, segmentando os objetos de uma imagem ao longo do tempo. Desse modo, esta dissertação tem como objetivo estudar a possibilidade de sincronização da dinâmica espaço-temporal dos modelos neurais, tanto em sistemas caóticos quanto estocásticos, mediante um termo de acoplamento que controla a sincronização dos osciladores e possui a capacidade de segmentar a dinâmica neural no tempo. Como prova de conceito, foi desenvolvido um modelo de aprendizado de máquina semi-supervisionado para representar exemplos supervisionados como osciladores sincronizados e amostras não-supervisionadas como neurônios dessincronizados. O processo de treinamento ocorre através da criação de conexões entre os neurônios Para tanto, foram estudados modelos estocásticos de tempo contínuo e caóticos de tempo discreto. Em seguida, foi realizada a análise de sincronização e segmentação de trajetórias, logo desenvolveu-se o algoritmo de Complexo Simplicial Propagando Rótulos em que foram testados os parâmetros e a acurácia em alguns conjuntos de dados. Como resultado, o modelo de rotulação e a dinâmica neural foram unificados para representar a classificação através dos disparos neurais que transitam do estado estocástico ou caótico para uma organização temporal nos disparos neurais e a segmentação dos osciladores com rótulos dissemelhantes. Por fim, o modelo foi desenvolvido para adaptar a força de acoplamento para lidar com competição pela sincronização neural.