LAND: A Longitudinal Analysis of Neuromorphic Datasets

Este artigo de revisão analisa mais de 423 conjuntos de dados neuromórficos para identificar desafios críticos como a falta de padronização, dificuldades de acesso e o aumento de dados sintéticos, propondo o conceito de metadados como solução para reduzir a necessidade de novos dados e mitigar vieses na definição de tarefas.

O essencial

Imagine que a engenharia neuromórfica (uma tecnologia que tenta copiar o cérebro humano para criar computadores mais rápidos e eficientes) é como uma gigantesca cozinha de pesquisa.

Nesta cozinha, os cientistas são os chefs. Eles querem criar receitas incríveis (algoritmos) para fazer robôs verem o mundo, carros autônomos dirigirem sozinhos e sistemas de segurança funcionarem perfeitamente. Mas, para cozinhar, eles precisam de ingredientes: dados.

O artigo "LAND" (Uma Análise Longitudinal de Conjuntos de Dados Neuromórficos) é como um relatório de inspeção feito por dois chefs experientes que visitaram essa cozinha e descobriram que, embora haja muitos ingredientes, a despensa está uma bagunça.

Aqui está o resumo do que eles descobriram, explicado de forma simples:

1. O Problema da "Fome de Dados"

Os chefs estão sempre dizendo: "Precisamos de mais dados! Precisamos de ingredientes maiores!".

• A Analogia: É como se um chef dissesse que precisa de 100kg de farinha para fazer um bolo, mesmo que a receita original só precise de 1kg.
• O que o artigo diz: A comunidade está criando demasiados novos conjuntos de dados (ingredientes) em vez de usar os que já existem. Eles estão inventando novos pratos todos os dias, em vez de aperfeiçoar os clássicos. Isso gera desperdício e confusão.

2. O Mapa do Tesouro (e por que ele está errado)

O artigo analisou mais de 423 "caixas de ingredientes" (conjuntos de dados).

• O Problema da Reutilização: Os cientistas estão criando muitas caixas novas, mas quase ninguém está usando as caixas antigas. É como se cada novo chef trouxesse sua própria sacola de farinha, em vez de pegar a que já está na prateleira.
• A Desigualdade: Pouquíssimas caixas famosas (os "ingredientes de marca") são usadas por todos. As outras 400 caixas ficam esquecidas no fundo da despensa, empoeiradas.
• A Analogia: Imagine que todos os chefs só usam a mesma marca de sal, ignorando que existem 400 outras marcas de sal na despensa que poderiam fazer o prato ficar ainda melhor.

3. A Desorganização da Despensa (Disponibilidade)

Muitos desses ingredientes estão difíceis de pegar.

• O Problema: Alguns dados estão em "Google Drive pessoal" de um pesquisador que já se aposentou ou mudou de universidade. Se ele sair, o link quebra e o ingrediente some para sempre. Outros exigem que você preencha formulários complexos ou tenha um número de telefone de um país específico para baixar.
• A Analogia: É como se a receita estivesse escrita em um papel que só o chef original tem, e se ele perder o papel, ninguém mais consegue cozinhar. Ou pior, a despensa tem portas trancadas que só abrem com uma chave que ninguém mais tem.

4. A Confusão nas Embalagens (Formatos de Arquivo)

Os dados vêm em formatos estranhos e incompatíveis.

• O Problema: Alguns dados estão em "caixas de madeira" (formatos binários proprietários) que só abrem com uma ferramenta específica. Outros estão em "papel" (CSV) que é fácil de ler, mas ocupa muito espaço. Não há um padrão único.
• A Analogia: Imagine que você precisa fazer um bolo, mas a farinha vem em sacos de tamanhos diferentes, medidos em xícaras, gramas e "pontos de luz". Para usar a farinha, você precisa saber exatamente qual régua usar, senão o bolo fica estragado.

5. O Perigo dos "Ingredientes Falsos" (Dados Simulados)

Muitos cientistas estão criando dados usando computadores (simulações) em vez de gravar com câmeras reais.

• O Problema: Simular dados é fácil e barato, como usar farinha sintética. Funciona bem para testar receitas simples, mas se você tentar fazer um prato complexo (uma nova aplicação do mundo real) com farinha sintética, o resultado pode ser desastroso. O computador não sabe imitar perfeitamente o "ruído" e as falhas do mundo real.
• A Analogia: É como treinar um piloto de avião apenas em um videogame. Ele vai ser ótimo no jogo, mas quando subir num avião de verdade e encontrar uma turbulência real, pode não saber o que fazer.

6. A Falta de Contexto (O "Onde" e "Porquê")

Dados neuromórficos são estranhos. Eles não são fotos; são "eventos" (mudanças de luz).

• O Problema: Se você olhar para um dado neuromórfico cru, parece apenas um monte de pontos aleatórios. Sem uma descrição detalhada, é impossível saber o que está acontecendo.
• A Analogia: É como receber um pacote com mil pedrinhas. Sem uma etiqueta dizendo "isso é areia de praia" ou "isso é pó de mármore", você não sabe como usá-las. Os dados precisam de uma "etiqueta" muito clara explicando o cenário, a luz e o movimento.

---

As Soluções Sugeridas (O Guia do Chef)

Os autores do artigo dão algumas dicas de ouro para arrumar essa cozinha:

1. Reutilize, não invente: Antes de criar um novo conjunto de dados, veja se já existe um que sirva. Se não servir, tente adaptar o existente em vez de começar do zero.
2. Armazene com segurança: Não guarde os dados no seu Google Drive pessoal. Use repositórios públicos e permanentes (como o Zenodo), que não somem se você mudar de emprego.
3. Use embalagens padrão: Use formatos de arquivo que qualquer um consiga abrir (como Numpy ou HDF5), em vez de formatos secretos que só você entende.
4. Seja honesto com simulações: Se usar dados de computador, avise claramente. Não use dados falsos para testar coisas que nunca foram vistas no mundo real.
5. Descreva tudo: Escreva um manual detalhado. Diga onde a câmera estava, o que estava acontecendo, como a luz estava. Sem isso, os dados são inúteis.

Conclusão

O artigo "LAND" é um chamado para a comunidade parar de acumular ingredientes novos e bagunçados e começar a organizar a despensa. O objetivo é criar um catálogo universal (o LAND) onde qualquer pesquisador possa encontrar o ingrediente certo, com a embalagem certa e a receita certa, para cozinhar o futuro da inteligência artificial de forma mais rápida e eficiente.

Resumo técnico

Título: LAND: Uma Análise Longitudinal de Conjuntos de Dados Neuromórficos

Autores: Gregory Cohen e Alexandre Marcireau
Instituições: International Centre for Neuromorphic Systems (ICNS), Western Sydney University e The University of Manchester.

---

1. O Problema

A engenharia neuromórfica enfrenta uma "crise de dados". Apesar do crescimento exponencial no número de conjuntos de dados neuromórficos publicados na última década, a comunidade ainda relata uma necessidade constante de mais dados e conjuntos maiores. O artigo identifica que esse problema não é apenas quantitativo, mas qualitativo e estrutural, caracterizado por:

• Dificuldade de Descoberta e Acesso: Os pesquisadores têm dificuldade em encontrar, entender o propósito e determinar a natureza das tarefas subjacentes dos dados disponíveis.
• Falta de Padronização: Ausência de formatos de arquivo, convenções de metadados e métodos de distribuição consistentes.
• Problemas de Reutilização: A maioria dos artigos cita apenas um conjunto de dados (frequentemente os mesmos poucos), limitando a comparabilidade e a robustez dos algoritmos.
• Dependência de Dados Sintéticos: O aumento de dados gerados por simulação ou conversão de vídeo, que podem introduzir viés e não representar fielmente o ruído e as características de sensores físicos reais.
• Falta de Contexto: Dados baseados em eventos (event-based) carecem de contexto visual inerente (como frames de vídeo), tornando difícil entender a cena sem metadados detalhados.

2. Metodologia

Os autores realizaram uma análise longitudinal abrangente, cobrindo um período de 10 anos (2015–2025).

• Escopo da Coleta: Foram analisados 423 conjuntos de dados provenientes de 386 publicações acadêmicas, totalizando mais de 41 TB de dados.
• Critérios de Definição: Um conjunto de dados foi classificado como "neuromórfico" se fosse coletado com sensores neuromórficos (ex: câmeras de eventos, cócleas de silício) ou fornecido no formato Address-Event Representation (AER), excluindo gravações biológicas puras, a menos que usadas para testar sistemas neuromórficos.
• Métricas de Análise:
  • Reutilização: Uso de citações como proxy para medir o uso e impacto dos conjuntos de dados.
  • Desigualdade: Cálculo do Coeficiente de Gini para medir a desigualdade na distribuição de citações entre os conjuntos de dados.
  • Acessibilidade: Classificação dos métodos de distribuição (Sustentáveis, Pessoais, Restritos, Download Direto).
  • Formatos: Análise das tendências de formatos de arquivo (binário, HDF5, ROSbag, Numpy, etc.) e questões de acessibilidade temporal e espacial.

3. Contribuições Principais

1. LAND (List of Available Neuromorphic Datasets): A criação de uma ferramenta interativa e catálogo abrangente para ajudar pesquisadores a localizar dados relevantes antes de coletar novos, reduzindo a redundância.
2. Análise Longitudinal: A primeira revisão sistemática que mapeia a evolução, o tamanho e a estrutura dos dados neuromórficos ao longo de uma década.
3. Identificação de Padrões Críticos: Revelação de que a comunidade está criando novos dados em vez de reutilizar os existentes, e que a maioria das citações é concentrada em um pequeno subconjunto de conjuntos de dados (viés de citação).
4. Guia de Melhores Práticas: Estabelecimento de diretrizes claras para a criação, distribuição e documentação de conjuntos de dados neuromórficos.

4. Resultados Chave

A. Reutilização e Citações

• Crescimento Exponencial: O número de novos conjuntos de dados cresceu drasticamente desde 2021.
• Falsa Prosperidade: Embora a razão média de citações por novo conjunto de dados seja de ~14, a mediana é de apenas 1. A maioria dos artigos cita apenas um conjunto de dados.
• Desigualdade (Coeficiente de Gini): O coeficiente de Gini atingiu 0,65 em 2025, indicando alta desigualdade. Poucos conjuntos de dados (principalmente os de visão de eventos em veículos e gestos) recebem a vasta maioria das citações, enquanto a maioria dos outros é ignorada.
• Papers de Revisão: As grandes exceções à regra de "uma citação" são artigos de revisão (surveys), que citam dezenas de conjuntos de dados, distorcendo a métrica média.

B. Disponibilidade e Distribuição

• Métodos de Distribuição: Há uma tendência preocupante para o uso de compartilhamento pessoal (Google Drive, OneDrive), que representa 42% dos conjuntos de dados. Isso ameaça a reprodutibilidade a longo prazo, pois os links expiram quando o pesquisador sai da instituição.
• Acesso Restrito: Muitos dados exigem formulários complexos, assinaturas manuais ou registros com restrições geográficas, impedindo o acesso automatizado e a reprodutibilidade.
• Sustentabilidade: Apenas uma fração usa repositórios sustentáveis (Zenodo, IEEE DataPort, HuggingFace) que oferecem DOI e versionamento.

C. Acessibilidade e Formatos

• Fragmentação de Formatos: Existe uma grande variedade de formatos (ROSbag, HDF5, aedat, Numpy, CSV, binários).
• Tendência para Numpy: O formato Numpy cresceu rapidamente (20% dos dados em 2025) devido à sua integração com Python e Deep Learning, mas ainda carece de padronização na definição de tipos de dados (dtypes) e ordem das colunas.
• Problemas Temporais e Espaciais: Falta de padronização na representação de tempo (relativo vs. absoluto, precisão de microsegundos vs. milissegundos) e coordenadas espaciais (sub-pixels vs. inteiros), o que gera erros sutis em algoritmos.

D. Dados Simulados

• Crescimento: A porcentagem de dados simulados (conversão de vídeo ou simulação ray-tracing) aumentou significativamente, chegando a ~35% do total de dados em alguns anos.
• Riscos: Dados simulados são úteis para testar algoritmos em cenários conhecidos, mas são perigosos para explorar novas aplicações, pois não capturam o ruído real, as limitações de hardware e as características físicas dos sensores neuromórficos.

E. Falta de Contexto

• Dados de eventos, por natureza, suprimem informações redundantes. Diferente de imagens convencionais, um "frame" de eventos não revela facilmente a cena, o objeto de interesse ou a iluminação sem metadados explícitos. A falta de documentação contextual é uma barreira crítica.

5. Significado e Recomendações

O artigo conclui que a engenharia neuromórfica precisa mudar de uma cultura de "coleta de dados" para uma de "reutilização e reprocessamento".

Recomendações para a Comunidade:

1. Reduzir, Reutilizar, Reprocessar: Priorizar o uso de dados existentes. Se novos dados forem necessários, estender ou anotar dados existentes em vez de criar conjuntos do zero.
2. Distribuição Sustentável: Usar repositórios com DOI (Zenodo, FigShare), evitar links pessoais e garantir que os dados permaneçam acessíveis independentemente do autor.
3. Acessibilidade: Priorizar formatos abertos e fáceis de usar (como Numpy ou HDF5 bem documentados) sobre formatos comprimidos proprietários. Fornecer dados brutos (raw events) antes de qualquer transformação.
4. Simulação Responsável: Usar simulação apenas para cenários conhecidos e validar sempre com dados reais. Documentar claramente as limitações dos simuladores.
5. Descrição Exhaustiva: Fornecer metadados ricos que descrevam o ambiente, o movimento da câmera, a tarefa e as condições de iluminação, compensando a falta de contexto visual inerente aos dados de eventos.

Conclusão Final:
O trabalho LAND serve como um alerta e um guia prático. Para que a engenharia neuromórfica amadureça e seus algoritmos sejam validados de forma robusta, a comunidade deve focar na qualidade, acessibilidade e reutilização dos dados, em vez de apenas na quantidade bruta de novos conjuntos de dados gerados.