Separação não-supervisionada de sinais: um estudo sobre a aplicabilidade de redes generativas adversárias e sobre modelos não-lineares baseados na Integral de Choquet

Resumo

O problema de separação cega de fontes (BSS) se trata da recuperação de um conjunto de sinais fontes a partir exclusivamente de um conjunto de misturas, ou seja, de maneira não-supervisionada. A BSS, intensamente estudada em processamento de sinais e por outras comunidades relacionadas à análise de dados, apresenta uma gama interessante de aplicações práticas, que vão desde a separação de sinais biomédicos até a extração de características para tarefas em aprendizado de máquina. Neste projeto, abordaremos um dos principais desafios da área de BSS: o caso de misturas não-lineares. Nosso objetivo central consiste no estabelecimento de métodos para novos modelos de mistura. Num primeiro momento, modelos de mistura baseados na integral de Choquet serão investigados. Uma das motivações dessa frente é que os parâmetros da integral de Choquet, quando expressos em certos domínios, permitem quantificar a contribuição de cada atributo, bem como da coalização de atributos; tal característica vai de encontro com a crescente busca por modelos não-lineares interpretáveis. Numa segunda frente, conduziremos uma investigação sobre a aplicabilidade das redes generativas adversárias (GANs) em BSS. As GANs, que vêm sendo utilizadas com sucesso em tarefas de aprendizado não-supervisionado, apresentam um grau de flexibilidade considerável, que pode ser útil em problemas de BSS. Os métodos desenvolvidos serão testados em problemas reais, provenientes de dois domínios: separação de sinais químicos e separação de imagens. Ademais, aplicaremos as propostas do trabalho na busca por representações desemaranhadas de dados, um tópico de fronteira na área de aprendizado de máquina. (AU)