ACCORDARE LA RETE: UNO STUDIO DI FATTIBILITÀ SULL'OTTIMIZZAZIONE DI RETI NEURALI GUIDATA DALLA MUSICA

La presente tesi esplora le dinamiche di addestramento delle Reti Neurali Artificiali (ANN) attraverso l’interpretazione delle stesse come sistemi dinamici caotici, superando l’approccio tradizionale. Il problema centrale affrontato risiede nell’impredicibilità delle traiettorie di ottimizzazione dei pesi durante il processo di apprendimento. A tal scopo, è stato implementato un metodo di rappresentazione dei dati basato sulla sonificazione dei parametri della rete, che mappa l’evoluzione dei tensori in strutture melodiche e spettrali (i timbri musicali). Attraverso la sperimentazione su toy dataset eterogenei quali Iris, Wine, Breast Cancer, California Housing, AutoMPG e Diabetes, è stato dimostrato che ogni task di apprendimento genera una determinata firma musicale coerente tra i vari modelli dello stesso, identificando quindi una proprietà intrinseca del dataset, indipendente dall’architettura utilizzata. La validazione dei risultati, condotta tramite un autoencoder condizionato, conferma che le tendenze musicali estratte rappresentano un indicatore efficace e affidabile per l’interpretazione della complessità del problema e la sua risoluzione, offrendo una nuova prospettiva sulla qualità ed efficienza dell’addestramento, sul monitoraggio e sulla comprensione del machine learning.