Pesquisadores da Universidade da Califórnia, Santa Cruz, desenvolveram uma nova abordagem em machine learning que visa melhorar a previsão de séries temporais, com aplicações significativas na detecção de crises epilépticas.
Contexto da pesquisa
No contexto atual, as séries temporais são essenciais para entender padrões em dados que variam com o tempo. Embora as técnicas estatísticas tenham se mostrado eficazes na previsão desses padrões, os modelos de deep learning frequentemente não alcançam o mesmo nível de precisão. Os engenheiros da Universidade da Califórnia, Santa Cruz, focaram em melhorar essa situação.
Método proposto
A abordagem desenvolvida pelos pesquisadores, chamada de “aprendizagem guiada pelo futuro” (future-guided learning), utiliza dois modelos de deep learning que colaboram em diferentes escalas de tempo. O modelo “professor” opera no futuro relativo, prevendo eventos imediatos, enquanto o “aluno” tenta prever ocorrências mais distantes. Essa transferência de conhecimento entre os modelos melhora a acurácia nas previsões.
“Se você quer que a IA faça algo bom pelo mundo, precisa lidar com informações dinâmicas que mudam constantemente”
(“If you want AI to do something good for the world, you need to be able to handle time-varying dynamic, ever-changing information.”)— Jason Eshraghian, Professor Adjunto, Universidade da Califórnia, Santa Cruz
Resultados e impacto
Ao aplicar essa técnica na previsão de crises epilépticas utilizando dados de ondas cerebrais, os pesquisadores observaram uma melhoria de 44,8% na precisão em comparação com métodos tradicionais, utilizando um conjunto de dados do Children’s Hospital Boston MIT. Em um segundo conjunto de dados, da American Epilepsy Society, o modelo demonstrou um aumento de 8,9% de desempenho mesmo ao usar dados mais genéricos, refletindo situações do mundo real. Além disso, em um teste de benchmark conhecido como equação de Mackey-Glass, a metodologia apresentou 23,4% de melhor desempenho em relação a modelos base.
A potencialidade da “aprendizagem guiada pelo futuro” também abre caminhos para a medicina personalizada, onde os modelos podem ser adaptados para prever padrões únicos de sinais cerebrais de pacientes individuais. As próximas etapas para a pesquisa incluem a exploração de como o cérebro humano processa previsões em diferentes escalas de tempo.
Fonte: (TechXplore – Machine Learning & AI)
