Alternativas para o cálculo da matriz de covariâncias dos componentes do modelo IGMN

Abstract

Por traz da inteligência artificial, modelos cada vez mais dinâmicos e de maior complexidade, auxiliam em nossas decisões diárias, desde escolhas simples do dia a dia, até tomadas de decisão indispensáveis. Cada solução construída a partir de redes neurais, carrega suas particularidades que vão desde a escolha pelo armazenamento ou não das informações recebidas, até sua estrutura de processamento. Dentre estas a IGMN compila informações de diversas fontes através de uma mistura de normais, permite combinação de diferentes tipos de variáveis, mas possui como ônus a demanda de um tempo maior de aprendizagem para que a mistura de variáveis seja eficiente em reproduzir os padrões aprendidos online, uma solução que diminua este tempo, aumenta a usabilidade do modelo e abre portas para novas aplicações.

Behind artificial intelligence lie increasingly dynamic and complex models that support our daily decision-making—ranging from simple, routine choices to critical, high-stakes decisions. Each neural network-based solution incorporates unique characteristics, from whether or not to store incoming information to the structure of its processing architecture. Among these models, the Incremental Gaussian Mixture Network (IGMN) stands out by integrating information from diverse sources through a mixture of Gaussians. It enables the combination of heterogeneous variable types and supports online learning. However, this flexibility comes at the cost of longer learning times, as the model must incrementally adjust its parameters to efficiently capture underlying data patterns. Reducing this learning time is crucial for enhancing the model’s usability and expanding its applicability to a wider range of real-time and resource-constrained scenarios.