A Hamiltonian driven Geometric Construction of Neural Networks via the Lognormal family, Application to Financial Fraud Detection and to Network Security

Resumo Técnico: Uma Construção Geométrica de Redes Neurais Impulsionada por Hamiltoniano via Família Lognormal

Declaração do Problema
As redes neurais artificiais (ANNs) tradicionais são tipicamente construídas dentro de espaços euclidianos, uma limitação que restringe sua capacidade de capturar a complexidade intrínseca de dados estruturados residentes em variedades estatísticas. Embora a geometria da informação, pioneirismo de Amari, tenha estabeleído a utilidade das estruturas de Riemann para parâmetros sinápticos, poucos estudos construíram explicitamente arquiteturas de redes neurais em variedades estatísticas específicas, particularmente a variedade lognormal. A distribuição lognormal é onipresente em finanças, biologia e processamento de sinais, mas seu espaço de parâmetros não foi sistematicamente utilizado para derivar componentes neurais (entradas, pesos, funções de ativação) a partir de princípios geométricos primordiais. O artigo aborda a questão de como estruturar uma variedade estatística lognormal como uma variedade neural e deduzir seus componentes usando geometria hamiltoniana e formalismo de grupos de Lie.

Metodologia
Os autores propõem um método sistemático para construir uma rede neural intrinsecamente na variedade estatística lognormal, explorando sua estrutura hamiltoniana e geométrica. A metodologia procede através dos seguintes passos:

1. Formulação Estatística: A distribuição lognormal é tratada como uma família exponencial. Os parâmetros naturais $\theta = (\theta_1, \theta_2)$ são derivados da média ($\mu$) e do desvio padrão ($\sigma$) dos dados logarítmicos.
2. Dinâmica Hamiltoniana: O fluxo de gradiente na variedade lognormal é mostrado como equivalente a um sistema hamiltoniano. Ao definir coordenadas de espaço de fase $P$ e $Q$ baseadas nos parâmetros naturais, o sistema é mapeado para o disco de Poincaré ($D$), um modelo de geometria hiperbólica.
3. Ação de Grupo de Lie: A dinâmica do sistema é descrita pela ação do grupo de Lie $SU(1, 1)$ no disco de Poincaré. A ação do grupo representa a evolução do sistema no espaço de fase.
4. Derivação de Componentes Neurais:
   • Entrada: O vetor de entrada é definido pelas coordenadas do disco de Poincaré, derivadas das variáveis hamiltonianas.
   • Matriz de Pesos: A matriz de pesos sinápticos é construída a partir do componente de rotação da ação $SU(1, 1)$ (representada por uma matriz de rotação $\Omega \in SO(2)$) e um vetor de translação $\vec{t}$. Esta matriz pertence ao grupo Euclidiano Especial $SE(2)$.
   • Função de Ativação: A função de ativação emerge da estrutura simplética do sistema, definida como um morfismo de grupo envolvendo funções exponenciais e trigonométricas da variável angular $\beta$.
5. Arquitetura: A arquitetura resultante é uma rede de camada única totalmente conectada com um viés (bias), onde a combinação linear e a não linearidade estão enraizadas na geometria subjacente dos dados, em vez de serem meras abstrações algébricas.

Principais Contribuições

• Construção Geométrica: O artigo fornece uma derivação rigorosa de uma arquitetura de rede neural diretamente da variedade estatística lognormal, indo além das aproximações euclidianas.
• Dinâmica Impulsionada por Hamiltoniano: Demonstra que o sistema de gradiente na variedade lognormal é integrável e equivalente a um sistema hamiltoniano com trajetórias elípticas fechadas no espaço de fase, as quais são compactadas no disco de Poincaré.
• Definição Explícita de Componentes: Os autores definem explicitamente as funções de entrada, a matriz de pesos (incorporando rotação e translação) e a função de ativação com base no grupo de Lie $SU(1, 1)$ e na estrutura simplética.
• Estrutura Teórica: O trabalho estabelece uma ponte entre a geometria da informação, a teoria de grupos de Lie e o aprendizado de máquina, mostrando como sistemas de processamento de informação podem ser "naturalizados" em espaços não euclidianos.

Resultados e Aplicações
O artigo valida o framework proposto através de dois cenários de aplicação específicos, utilizando conjuntos de dados de 10 dias para demonstrar a detecção de anomalias:

1. Detecção de Fraude Financeira:

   • Contexto: Valores de transações, que seguem uma distribuição lognormal, são monitorados.
   • Mecanismo: Atividades fraudulentas alteram a distribuição estatística de base ($\mu, \sigma$). O sistema mapeia esses parâmetros para o disco de Poincaré.
   • Resultado: No estudo de caso, um dia fraudulento (Dia 6) com alta volatilidade causou uma mudança radical nas propriedades estatísticas. No espaço de características hiperbólico do disco de Poincaré, isso resultou em uma "aceleração geodésica" significativa, separando o estado fraudulento do envelope operacional normal de forma muito mais distinta do que as métricas de distância euclidiana permitiriam.

2. Segurança de Rede (Detecção de Intrusão DDoS):

   • Contexto: Taxas de pacotes de rede, que são positivas e assimétricas, são modeladas como lognormais.
   • Mecanismo: Um ataque DDoS aumenta drasticamente a média da taxa de pacotes e a volatilidade.
   • Resultado: O pipeline de transformação geométrica mostrou que, durante rotinas de tráfego normal, as coordenadas formam um cluster altamente estável no segmento extremo esquerdo do envelope da variedade interna ($x_D \approx -0.499$). Quando o ataque DDoS é desencadeado, a mudança massiva nos parâmetros de distribuição causa um "salto explosivo, quase ortogonal" em direção ao eixo de fronteira vertical, forçando $x_D$ a viajar de $-0.4996$ para $-0.0062$e$y_D$ a subir para $0.4999$. Essa mudança reflete uma variação massiva na distância de Rao-Fisher, fornecendo um alerta geométrico imediato que é robusto contra perfis de ataque adaptativos que poderiam evadir sistemas tradicionais baseados em limiares.

Significância e Alegações
O artigo afirma oferecer uma nova perspectiva para o aprendizado de máquina geométrico, demonstrando que sistemas de processamento de informação neural baseados na família lognormal podem ser modelados como sistemas dinâmicos no disco de Poincaré. A significância reside no fato de que as operações fundamentais da rede (combinação linear, não linearidade) não são escolhas algébricas arbitrárias, mas são intrinsecamente derivadas da geometria do espaço de parâmetros dos dados.

Os autores sustentam que esta abordagem permite o design de arquiteturas naturalmente adequadas para dados que seguem distribuições lognormais, onde o espaço de parâmetros é inerentemente uma variedade. Ao utilizar o formalismo hamiltoniano e a ação de $SU(1, 1)$, o modelo preserva a identidade estatística durante a propagação direta dentro de trajetórias (órbitas) isoladas, em vez de globalmente por todo o disco. Isso oferece um método geométrico computacionalmente leve para detectar anomalias em sistemas onde os dados seguem naturalmente uma distribuição lognormal. O trabalho é apresentado como um passo fundamental para a aplicação da geometria da informação na construção explícita de redes neurais em variedades estatísticas específicas.