Repensando Redução de Dimensionalidade e Seleção de Atributos a Partir da Teoria da Informação Algorítmica: Complexidade como Alternativa às Correlações Estatísticas

Resumo: Em um mundo movido a inteligência artificial, a capacidade de descobrir e conservar padrões profundos nos dados pode separar o trivial do extraordinário. O presente seminário apresenta uma abordagem inovadora para redução de dimensionalidade e seleção de atributos fundamentada na Teoria da Complexidade Algorítmica, em contraste com os métodos estatísticos tradicionais. A técnica denominada Minimal Algorithmic Information Loss (MILS) busca identificar, em dados multivariados ou redes complexas, os componentes cuja remoção causa mínima perda de informação estrutural — sem depender de suposições probabilísticas ou modelos pré-definidos. Essa abordagem é não supervisionada, independente de domínio e de modelo, permitindo preservar propriedades topológicas e padrões determinísticos sutis que frequentemente passam despercebidos por métodos clássicos. Serão discutidos exemplos de aplicação em compressão de dados, seleção de variáveis e esparsificação de redes, evidenciando como a análise baseada em complexidade pode complementar — e em muitos casos superar — as técnicas estatísticas convencionais na manutenção da integridade informacional dos dados.