IA e os Problemas Difíceis do Mundo · Ciência da computação teórica · arXiv · 2026-10-23
Aprendizado profundo para objetos aleatórios em espaços métricos: além das suposições de variedade
Título original: Deep Learning for Random Objects in Metric Spaces: Beyond Manifold Assumptions
O aprendizado profundo melhorou a predição em muitas tarefas, mas métodos fundamentados para objetos aleatórios em espaços métricos não euclidianos, como distribuições e grafos, são escassos. Os autores propõem um framework de aprendizado profundo para regressão com objetos aleatórios que atua diretamente sobre a estrutura métrica do espaço de resposta, evitando suposições de variedade ou de imersão euclidiana, e estabelecem consistência estatística e taxas de convergência. O método apresenta desempenho preditivo competitivo em simulações e foi aplicado a dois estudos de caso de saúde digital com desfechos em forma de distribuição em espaços de Wasserstein, usando dados de acelerometria e de monitoramento contínuo de glicose.