O que é competitive learning?

Competitive learning é um subconjunto do aprendizado de máquina que fica sob o guarda-chuva dos algoritmos de aprendizado não supervisionado. No competitive learning, uma rede de neurônios artificiais “compete” para disparar ou ficar ativa em resposta a uma entrada específica. O neurônio “vencedor”, geralmente aquele que melhor corresponde à entrada, é atualizado, enquanto os demais permanecem inalterados. A importância desse método de aprendizado está em sua capacidade de agrupar automaticamente entradas de dados semelhantes, permitindo encontrar padrões e agrupamentos em dados sem conhecimento prévio ou rótulos.

Entendendo o competitive learning

Redes neurais artificiais costumam usar modelos de competitive learning para classificar entradas sem dados rotulados. O processo começa com um vetor de entrada (com frequência, um conjunto de dados). Essa entrada é apresentada a uma rede de neurônios artificiais, cada um com seu próprio conjunto de pesos, que funcionam como filtros. Cada neurônio calcula uma pontuação com base em seus pesos e no vetor de entrada, normalmente por um produto escalar (uma forma de multiplicar a informação da entrada pelo filtro e somar os resultados).

Após o cálculo, o neurônio com a maior pontuação (o “vencedor”) é atualizado, geralmente aproximando seus pesos do vetor de entrada. Esse processo é conhecido como estratégia “Winner-Takes-All” (o vencedor leva tudo). Com o tempo, os neurônios se especializam à medida que são atualizados em direção aos vetores de entrada que melhor conseguem representar. Isso leva à formação de clusters de dados semelhantes e, assim, à descoberta de padrões inerentes no conjunto de dados.

Para ilustrar o uso do competitive learning, imagine que um e-commerce quer segmentar sua base de clientes para campanhas mais assertivas, mas não tem rótulos ou segmentações prévias. Ao alimentar um modelo de competitive learning com dados de clientes (histórico de compras, padrão de navegação, dados demográficos etc.), ele pode identificar automaticamente clusters distintos (como grandes gastadores, compradores frequentes, caçadores de descontos) e direcionar estratégias de marketing sob medida.

O processo de competitive learning: um exemplo passo a passo

Neste exemplo simples, vamos supor um conjunto de dados composto por vetores de entrada unidimensionais variando de 1 a 10 e uma rede de competitive learning com dois neurônios.

Passo 1: inicialização

Começamos inicializando os pesos dos dois neurônios com valores aleatórios. Suponha:

• Peso do neurônio 1: 2
• Peso do neurônio 2: 8

Passo 2: apresentação da entrada

Agora, apresentamos um vetor de entrada à rede. Digamos que nossa entrada seja “5”.

Passo 3: cálculo da distância

Calculamos a distância entre o vetor de entrada e os pesos dos dois neurônios. O neurônio cujo peso estiver mais próximo da entrada “vence”. Isso pode ser calculado com qualquer métrica de distância, por exemplo, a diferença absoluta:

• Distância do neurônio 1: |5-2| = 3
• Distância do neurônio 2: |5-8| = 3

Como as distâncias são iguais, podemos escolher o vencedor aleatoriamente. Suponha que o neurônio 1 vença.

Passo 4: atualização dos pesos

Ajustamos o peso do neurônio vencedor para aproximá-lo do vetor de entrada. Se nossa taxa de aprendizado (um parâmetro de ajuste em algoritmos de otimização que determina o tamanho do passo a cada iteração) for 0,5, a atualização será:

• Peso do neurônio 1: 2 + 0,5*(5-2) = 3,5
• Peso do neurônio 2: 8 (inalterado)

Passo 5: iteração

Repetimos o processo com todas as outras entradas do conjunto de dados, atualizando os pesos após cada apresentação.

Passo 6: convergência

Após várias iterações (também chamadas de épocas), os pesos dos neurônios começam a convergir para os centros de seus clusters correspondentes. Neste caso, com dados unidimensionais de 1 a 10, é de se esperar que um neurônio convirja para a faixa mais baixa (1 a 5) e o outro para a faixa mais alta (6 a 10).

Esse processo exemplifica como o competitive learning funciona. Com o tempo, cada neurônio se especializa em um cluster diferente dos dados, permitindo que o sistema identifique e represente os agrupamentos naturais do conjunto.

Competitive learning vs. outros modelos de aprendizado

Quando comparado a outros modelos de aprendizado não supervisionado, como o agrupamento hierárquico e o Density-Based Spatial Clustering of Applications with Noise (DBSCAN), os pontos fortes e limitações do competitive learning ficam claros.

Como mostra a tabela, os três modelos têm características distintas que os tornam adequados para diferentes tipos de problemas. A estrutura dos clusters, o número de clusters, como lidam com ruído, os formatos dos agrupamentos que conseguem formar e se permitem realocação de pontos são fatores críticos ao escolher um modelo.

A escolha entre eles depende, sobretudo, dos requisitos e da natureza do seu conjunto de dados.

Competitive learning é indicado para datasets em que o número de clusters é conhecido de antemão e os dados estão bem distribuídos entre os grupos. Funciona bem quando você precisa de uma partição simples e plana dos dados.

Já o agrupamento hierárquico é excelente quando se quer descobrir relações hierárquicas nos dados ou quando o número ótimo de clusters é desconhecido. Ele oferece flexibilidade para examinar os dados em diferentes níveis de granularidade.

O DBSCAN é ideal para conjuntos de dados com ruído ou outliers, ou quando se esperam clusters de formatos arbitrários. Ele também determina automaticamente o número de clusters pela densidade dos dados, o que é útil em análises exploratórias quando esse número não está pré-definido.

Lembre-se: não existe um modelo único para todos os cenários; entender as características dos seus dados é essencial para fazer a escolha certa.

Caso de uso prático de competitive learning

Vimos que o competitive learning é amplamente usado para clustering e redução de dimensionalidade. Mas ele também pode ser aplicado à aprendizagem de características (feature learning), detecção de anomalias e até em IA generativa.

Por exemplo, as generative adversarial networks (GANs) usam uma abordagem baseada em competição entre um gerador (que cria dados sintéticos) e um discriminador (que avalia se os dados são reais ou falsos) para sintetizar dados falsos que imitam de perto os reais.

Outros algoritmos comuns de competitive learning incluem:

• Winner-take-all competitive learning. Neste algoritmo simples, o neurônio com maior ativação “vence” e tem seus pesos ajustados para ficarem mais próximos da entrada. Os outros neurônios não são atualizados.
• Self-organizing map (SOM). Projeta dados de alta dimensionalidade em uma grade de neurônios de menor dimensão e ajusta os pesos dos neurônios vizinhos para ficarem mais semelhantes a cada entrada.
• Neural gas. Semelhante ao SOM, mas forma clusters com mais flexibilidade, sem uma topologia rígida. Os pesos dos neurônios próximos da entrada são ajustados para maior similaridade.
• Learning vector quantization (LVQ). Baseia-se nas ideias do SOM, mas usa rótulos de classe explícitos para orientar o competitive learning, gerando protótipos que agrupam as entradas por classe.

O aprendizado não supervisionado pode se beneficiar muito do competitive learning, um método poderoso que tende a ganhar ainda mais espaço. Embora mapas auto-organizáveis e outros métodos competitivos existam há anos, o sucesso das GANs mostrou o potencial do aprendizado competitivo adversarial e multiagente.

No futuro, veremos novos algoritmos de competitive learning que combinam princípios de aprendizado não supervisionado, semissupervisionado e por reforço para gerar resultados ainda melhores.

Se você quiser colocar a mão na massa e construir seu próprio modelo de competitive learning, confira Simple Competitive Learning with Python. Esse guia apresenta o algoritmo básico de competitive learning e explica os processos, derivações matemáticas e a implementação em código.

Quer aprender mais sobre IA e machine learning? Explore estes recursos:

• Curso de aprendizado não supervisionado em Python
• Cheat sheet de aprendizado de máquina não supervisionado
• O que é machine learning?