Regularização, aprendizagem profunda e interdisciplinaridade em problemas inversos mal-postos
Roberto Gutierrez Beraldo, Ricardo Suyama
TL;DR
Este trabalho de perguntas e respostas oferece uma visão abrangente sobre regularização, aprendizagem profunda e interdisciplinaridade em problemas inversos mal-postos. Primeiro, clarifica o problema inverso, seus exemplos e a necessidade de regularização para obter soluções estáveis; em seguida, descreve como deblurring pode ser visto como problema inverso e quais técnicas de regularização (Tikhonov, TV, MaxEnt, denoising, plug-and-play) são usadas para resolver esses problemas. O texto avança ao discutir a integração de dados com modelos (aprendizado de máquina, redes neurais, métodos integrados) e as diferentes interpretações de regularização, incluindo os vínculos com Bayes, filtragem espectral e técnicas de regressão, bem como as implicações da interdisciplinaridade para ensino e pesquisa. Ademais, aborda algoritmos principais (CGLS, GMRES, ISTA, FISTA, ADMM, IRLS) e estratégias de escolha de parâmetros (Curva-L, GCV, Morozov) com foco na aplicabilidade prática. Por fim, discute as oportunidades de regularização em contextos de ensino, reprodutibilidade e interpretabilidade, sugerindo caminhos para futuras pesquisas em métodos integrados, regularização baseada em dados e aprendizado de parâmetros de regularização. Em conjunto, a obra oferece uma base conceitual e prática para pesquisadores que buscam soluções estáveis e interpretabíveis em problemas inversos complexos, com ênfase na convergência entre matemática, estatística, física e aprendizado de máquina.
Abstract
In this book, written in Portuguese, we discuss what ill-posed problems are and how the regularization method is used to solve them. In the form of questions and answers, we reflect on the origins and future of regularization, relating the similarities and differences of its meaning in different areas, including inverse problems, statistics, machine learning, and deep learning.