Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024
Engenharia de Software›Inteligencia Artificial
Código
fg077329
Banca
FGV
Órgão
CVM
Ano
2024
Nível
Superior
Cargo
Analista - Perfil 7 - Ciência de Dados - Tarde
Considere uma estrutura específica de rede neural recorrente, conhecida como Long Short-Term Memory (LSTM). Essa estrutura é projetada para enfrentar desafios como capturar dependências de longo prazo e mitigar o problema do gradiente que desaparece.A inovação arquitetônica distintiva da LSTM é(são):
Ao recorte de gradiente;
Bas células de memória com mecanismos de gating;
Cos mecanismos de atenção;
Das conexões de salto;
Eas camadas de Max-pooling.
Revelar gabarito e comentário▾
GabaritoB — as células de memória com mecanismos de gating;
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Long Short-Term Memory (LSTM) - Inovação Arquitetônica
Gabarito: letra B. A inovação arquitetônica distintiva da LSTM são as células de memória com mecanismos de gating (portas de esquecimento, entrada e saída), que controlam o fluxo de informação e permitem capturar dependências de longo prazo, mitigando o problema do gradiente que desaparece.
A questão testa o conhecimento sobre a arquitetura fundamental das LSTMs, diferenciando-a de técnicas genéricas de treinamento (gradient clipping) e de outras arquiteturas (atenção, skip connections, max-pooling).
Alternativa
Descrição
É a inovação arquitetônica da LSTM?
Justificativa
A
Recorte de gradiente (gradient clipping)
❌ Não
Técnica de treinamento para evitar gradiente explosivo, não faz parte da arquitetura LSTM.
B
Células de memória com mecanismos de gating
✅ Sim
Inovação central da LSTM: portas (esquecimento, entrada, saída) controlam o fluxo de informação e mitigam o gradiente que desaparece.
C
Mecanismos de atenção
❌ Não
Inovação posterior (Transformers), não presente na arquitetura LSTM.
D
Conexões de salto (skip connections)
❌ Não
Característica de redes residuais (ResNet), não da LSTM.
E
Camadas de Max-pooling
❌ Não
Comum em CNNs para redução de dimensionalidade, não em redes recorrentes.
LSTM: inovação arquitetônica
1Célula de memória (cell state)
Porta de esquecimento (forget gate)
Porta de entrada (input gate)
Porta de saída (output gate)
2Problema resolvido
Gradiente que desaparece
Dependências de longo prazo
3Não é
Gradient clipping (técnica de treino)
Atenção (Transformer)
Skip connections (ResNet)
Max-pooling (CNN)
LEVEL · soulevel.com.br
Alternativa A — ❌ Incorreta
O recorte de gradiente (gradient clipping) é uma técnica de treinamento usada para evitar o gradiente explosivo, mas não é a inovação arquitetônica da LSTM. A LSTM lida com o gradiente que desaparece através de sua estrutura de portas e célula de memória, não por clipping.
Alternativa B — ✅ Correta ⟵ GABARITO
A LSTM introduz células de memória (cell state) e mecanismos de gating (forget gate, input gate, output gate) que regulam o fluxo de informação ao longo do tempo. Essa arquitetura permite reter ou descartar seletivamente informações, solucionando o problema do gradiente que desaparece das RNNs tradicionais.
Alternativa C — ❌ Incorreta
Os mecanismos de atenção (attention) são uma inovação posterior, popularizada pelo Transformer, e não fazem parte da arquitetura LSTM. LSTM usa gates, não atenção.
Alternativa D — ❌ Incorreta
Conexões de salto (skip connections) são usadas em redes residuais (ResNet) para evitar degradação em redes profundas, não na LSTM. A LSTM tem conexões recorrentes e portas, não conexões diretas entre camadas não adjacentes.
Alternativa E — ❌ Incorreta
Camadas de Max-pooling são comuns em redes neurais convolucionais (CNNs) para redução de dimensionalidade, não em redes recorrentes como a LSTM.
NÃO CAIA NESSA!
Memorize que a célula de memória com portas (gates) é a marca registrada da LSTM. Não confunda com técnicas auxiliares (gradient clipping) ou com inovações de outras arquiteturas (atenção, skip connections, pooling).