Arquitetura RNN BRNN IEBRNN Aprendizagem supervisionada seqüencial Aprendizagem supervisionada seqüencial enriquecida com um grafo de interações A arquitetura.

Apresentação em tema: "Arquitetura RNN BRNN IEBRNN Aprendizagem supervisionada seqüencial Aprendizagem supervisionada seqüencial enriquecida com um grafo de interações A arquitetura."— Transcrição da apresentação:

1 Arquitetura RNN BRNN IEBRNN Aprendizagem supervisionada seqüencial Aprendizagem supervisionada seqüencial enriquecida com um grafo de interações A arquitetura A aprendizagem

2 RNN – Rede Neural Recursiva ou Recorrente Redes neurais feed-forward na predição de estruturas secundárias A necessidade de uma máquina que consiga aprender seqüências Generalização de redes feed-forward capazes de processar dados estruturais

3 RNN – Arquitetura Um RNN pode ser desmembrada em várias feed-forwards compartilhando os mesmos pesos Pode ser usada todas as informações anterior a entrada t Para a predição seria bom usar as informações que surgiram mais tarde (futuras)

4 BRNN – Rede Neural Recursiva Bidirecional Resolve a limitação da RNN, utiliza tanto as informações passadas quanto as futuras

5 BRNN Podemos definir de forma recursiva as equações que representam os estados: –F(t) depende de F(t-1) –B(t) depende de B(t+1) –O(t) depende de F(t) e B(t) Resumindo –A saída de x(t) depende de x(1)... X(N)

6 BRNN

7

8 BRNN – Limitações Longas dependências

9 IEBRNN – BRNN Enriquecida com interações Foi acrescentado a BRNN um grafo de interações,

10 Bibliografia [1] Prediction of Structure and Function of Proteins and Ligands By Means of Neural and Kernel Methods for Strutured Data. –Alessio Ceroni. Dissertation submitted in partial fulfillment of the requirements for the degree of doctor of Philosophy in computer Science and Control Engineering. Università Degli Studi di Firenze. 2004-2005. [2] Improved prediction of the number of residue contacts in proteins by recurrent neural networks –Gianluca Pollastri, Pierre Baldi, Pietro Fariselli e Rita Casadio. Bionformatics. March 21, 2001. [3] Bidirectional Recurrent Neural Networks. Mike Schuster and Kuldip K. Paliwal, Member, IEEE. IEEE Transactions on Signal Processing, Vol 45, no. 11. November 1997. [4] http://www.faqs.org/faqs/ai-faq/neural-nets/part2/section-12.htmlhttp://www.faqs.org/faqs/ai-faq/neural-nets/part2/section-12.html [5] Exploiting the past and the future in protein secondary structure prediction. Pierre aldi, Soren Brunak, Paolo Frasconi, Giovanni Soda and Gianluca Pollastri. Bioinformatics, vol 15, Nov 1999.