Um mapa auto-organizável (SOM), também conhecido como mapa de características auto-organizável (SOFM) ou mapa de Kohonen, é uma técnica de aprendizado de máquina não supervisionado usada para produzir uma representação de baixa dimensão (tipicamente bidimensional) de um conjunto de dados de alta dimensão, preservando a estrutura topológica dos dados. Por exemplo, um conjunto de dados com p variáveis medidas em n observações pode ser representado como agrupamentos de observações com valores semelhantes, que são então visualizados como um mapa bidimensional onde agrupamentos próximos têm valores mais semelhantes do que os distantes. Isso torna dados de alta dimensão mais fáceis de visualizar e analisar.
O SOM é um tipo de rede neural artificial, mas é treinado usando aprendizado competitivo em vez de aprendizado por correção de erros, como a retropropagação com gradiente descendente. Foi introduzido pelo professor finlandês Teuvo Kohonen na década de 1980, com base em modelos biológicos de sistemas neurais da década de 1970 e modelos de morfogênese que remontam a Alan Turing na década de 1950. Os SOMs criam representações internas que lembram o homúnculo cortical, um mapa neurológico distorcido do corpo humano baseado nas áreas cerebrais dedicadas ao processamento sensorial.
Treinamento e Mapeamento
Os SOMs operam em dois modos: treinamento e mapeamento. O treinamento usa um conjunto de dados de entrada (o espaço de entrada) para gerar uma representação de menor dimensão (o espaço do mapa). O mapeamento então classifica dados de entrada adicionais usando o mapa gerado. O objetivo do treinamento é representar um espaço de entrada com p dimensões como um espaço de mapa com n dimensões, onde p > n. O espaço do mapa consiste em nós ou neurônios dispostos em uma grade hexagonal ou retangular, tipicamente bidimensional. O número e a disposição dos nós são especificados previamente com base nos objetivos da análise.
Cada nó está associado a um vetor de pesos que representa sua posição no espaço de entrada. Enquanto os nós no espaço do mapa permanecem fixos, o treinamento move os vetores de pesos em direção aos dados de entrada, reduzindo uma métrica de distância, como a distância euclidiana, sem estragar a topologia induzida do espaço do mapa. Após o treinamento, o mapa classifica observações adicionais encontrando o nó com o vetor de pesos mais próximo do vetor de entrada.
Algoritmo de Aprendizado
O objetivo do aprendizado é fazer com que diferentes partes da rede respondam de forma semelhante a certos padrões de entrada, motivado em parte pela forma como a informação sensorial é processada em partes separadas do córtex cerebral. Os pesos dos neurônios são inicializados com pequenos valores aleatórios ou amostrados uniformemente do subespaço gerado pelos dois maiores autovetores de componentes principais. A última alternativa acelera o aprendizado porque os pesos iniciais já se aproximam dos pesos finais do SOM.
A rede é alimentada com muitos vetores de exemplo representando entradas esperadas, geralmente administrados várias vezes como iterações. O treinamento usa aprendizado competitivo: quando um exemplo de treinamento é alimentado, sua distância euclidiana a todos os vetores de pesos é calculada, e o neurônio com o vetor de pesos mais semelhante é a unidade de melhor correspondência (BMU, do inglês best matching unit). A BMU e os neurônios próximos na grade do SOM ajustam seus pesos em direção ao vetor de entrada, com a magnitude da mudança diminuindo com o tempo e com a distância na grade em relação à BMU.
A fórmula de atualização para um neurônio v com vetor de pesos Wv(s) é Wv(s+1) = Wv(s) + θ(u,v,s) · α(s) · (D(t) - Wv(s)), onde s é o índice do passo, t é um índice na amostra de treinamento, u é o índice da BMU para o vetor de entrada D(t), α(s) é um coeficiente de aprendizado monotonicamente decrescente, e θ(u,v,s) é a função de vizinhança que dá a distância entre os neurônios u e v no passo s. A amostra de treinamento pode ser percorrida sistematicamente, sorteada aleatoriamente via amostragem bootstrap, ou usar outros métodos como jackknife.
A função de vizinhança depende da distância na grade entre a BMU e o neurônio v. Na forma mais simples, é 1 para neurônios suficientemente próximos da BMU e 0 para os demais, mas funções gaussianas e de chapéu mexicano são comuns. A vizinhança encolhe com o tempo: vizinhanças amplas permitem auto-organização global, enquanto vizinhanças estreitas permitem que os pesos convirjam para estimativas locais. O coeficiente de aprendizado e a função de vizinhança diminuem de forma constante ou em etapas a cada T passos.
Aplicações e Importância
Os SOMs são usados para visualização, agrupamento e redução de dimensionalidade em campos como análise de dados, reconhecimento de padrões e bioinformática. Eles se destacam por preservar relações topológicas, tornando-os úteis para análise exploratória de dados, onde entender a estrutura é fundamental. Ao contrário de métodos supervisionados, os SOMs não exigem dados rotulados, tornando-os valiosos em cenários de aprendizado não supervisionado.
Os SOMs foram aplicados em diversos domínios, desde reconhecimento de fala e análise de imagens até mineração de dados financeiros e diagnósticos médicos. Sua capacidade de criar mapas intuitivos de dados complexos os tornou um elemento básico em ferramentas de visualização de dados. A técnica permanece relevante na pesquisa moderna em IA, frequentemente usada como referência para comparar arquiteturas mais complexas, como modelos de aprendizado profundo.
Relação com Outras Redes Neurais
Os SOMs diferem fundamentalmente de redes feedforward treinadas com retropropagação, como os transformers usados em modelos de linguagem de grande escala. Enquanto os SOMs usam aprendizado competitivo e preservam a topologia, os transformers dependem de correção de erros e mecanismos de atenção. Os SOMs também são distintos de redes residuais e U-Nets, que são supervisionados e usam otimização baseada em gradiente. No entanto, os SOMs compartilham o paradigma de redes neurais de processamento distribuído e pesos adaptativos, e podem ser integrados a sistemas maiores para pré-processamento ou extração de características.
Limitações e Extensões
Os SOMs têm limitações, incluindo sensibilidade à inicialização e escolhas de parâmetros, e podem não escalar bem para dados extremamente de alta dimensão. Variantes como SOMs em crescimento e SOMs hierárquicos abordam alguns problemas ajustando dinamicamente o tamanho do mapa. Apesar desses desafios, os SOMs permanecem uma ferramenta fundamental no aprendizado não supervisionado, com pesquisas contínuas explorando seu uso em modelos híbridos com técnicas modernas.