1.1.2.6 – Redes Neurais – Hibridas/Especificas
1.1.2.6.1 – Siamese Networks
1.1.2.6.2 – Graph Neural Networks – GNN
1.1.2.6.3 – Capsule Networks
quando arquiteturas se combinam
Redes neurais híbridas combinam diferentes arquiteturas para aproveitar suas respectivas vantagens. Por exemplo, modelos podem unir CNNs para visão com Transformers para sequências. Primeiramente, cada tipo de arquitetura tem pontos fortes em domínios específicos. Além disso, combinar múltiplas arquiteturas permite resolver problemas multimodais complexos. Por exemplo, legenda de imagens usa CNN para extrair características visuais e Transformer para gerar texto. Essas redes superam abordagens que usam apenas um tipo de arquitetura. Hibridização é tendência crescente em sistemas de IA modernos.
redes multimodais
Modelos multimodais processam e integram informações de diferentes tipos de dados simultaneamente. Primeiramente, CLIP da OpenAI combina visão e texto em um espaço comum. Além disso, modelos como Flamingo e Gato processam imagens, texto e até áudio. Por exemplo, CLIP entende imagens e seus textos descritivos sem treinamento específico. A integração multimodal permite tarefas como busca por imagem usando texto. Esses modelos representam um passo em direção a IA mais geral. São a base de sistemas como geradores de imagem por texto.
redes com memória externa
Redes com memória externa adicionam componentes de armazenamento separados dos parâmetros neurais. Primeiramente, Memory Networks e Neural Turing Machines acessam memória de forma endereçável. Além disso, redes de atenção podem ler e escrever em estruturas de memória externa. Por exemplo, modelos de recuperação aumentada (RAG) buscam conhecimento em bases externas. Isso permite que redes neurais acessem informações além do conhecimento aprendido durante treinamento. Modelos como Retrieval-Augmented Generation (RAG) combinam recuperação e geração. Essas arquiteturas melhoram factualidade e reduzem alucinações em modelos de linguagem.
redes neurais gráficas (gnn)
Graph Neural Networks (GNNs) processam dados estruturados em forma de grafos. Diferente de imagens ou texto, grafos têm conexões irregulares entre elementos. Primeiramente, GNNs propagam informações entre nós vizinhos através de mensagens. Além disso, são ideais para moléculas, redes sociais e sistemas de recomendação. Por exemplo, prever propriedades de moléculas usando sua estrutura atômica. GNNs capturam dependências que arquiteturas tradicionais não conseguem modelar. São essenciais para química computacional, redes de conhecimento e análise de grafos.
