Sobre as Redes Neurais Recorrentes (RNN), é correto afirmar ...

Gabarito Comentado:

Alternativa D

As Redes Neurais Recorrentes (RNNs) desempenham um papel vital no processamento de sequências de dados onde a ordem ou dependências temporais são importantes. As RNNs têm a capacidade de manter um estado interno que captura informações sobre as entradas já processadas, o que lhes permite manter uma espécie de 'memória' das entradas anteriores. Este recurso as torna particularmente adequadas para tarefas como análise de séries temporais, processamento de linguagem natural, e outras aplicações onde o contexto temporal é crucial.

A corretude da Alternativa D reside no fato de que, nas RNNs, cada neurônio na camada oculta processa não apenas os dados da camada atual, mas também leva em consideração o resultado do cálculo que eles mesmos realizaram no momento anterior. Isso cria uma dependência temporal entre os dados de entrada, permitindo que a rede capture sequências e padrões através do tempo. É justamente por essa razão que as RNNs são empregadas em tarefas de previsão usando dados históricos, onde é fundamental entender a relação entre eventos passados e futuros.

Essas características tornam as RNNs ferramentas poderosas em uma variedade de aplicações de processamento sequencial e justificam o porquê de serem escolhidas para modelar problemas onde as sequências de informação são fundamentais.

A) Incorreta: RNNs passam informações bidirecionalmente, ou seja, elas têm a capacidade de processar sequências em ambas as direções (da esquerda para a direita e vice-versa). Além disso, o termo "nós ocultos" não é exclusivo das RNNs, mas geralmente se refere às camadas intermediárias em redes neurais em geral, não apenas em RNNs.

B) Incorreta: As entradas em RNNs não precisam ter tamanho fixo, e elas não são usadas apenas para reconhecimento facial. As RNNs são aplicadas em uma variedade de tarefas que envolvem sequências, como processamento de linguagem natural, tradução automática, entre outras.

C) Incorreta: Nas Gated Recurrent Networks (GRUs), os mecanismos de portões ajudam a controlar o fluxo de informações ao longo do tempo, evitando problemas como o desaparecimento de gradientes. Portanto, a afirmação de que a relação temporal se perde ao longo do tempo devido a uma célula exclusiva não é precisa.

D) Correta: Esta afirmação está correta. As RNNs têm uma dependência temporal entre os dados de entrada, permitindo que informações de passos temporais anteriores influenciem a saída atual, tornando-as adequadas para tarefas que envolvem sequências temporais.

E) Incorreta: Parece haver um erro de terminologia na alternativa. LSTM (Long Short-Term Memory) é uma arquitetura específica de RNN, mas a descrição dos portões não está totalmente precisa. Os LSTMs têm portões de entrada, esquecimento e saída, cada um com sua função específica para controlar o fluxo de informações e o esquecimento de informações antigas.