Clinica psicanalítica: o sentimento de solidão e a saúde mental de mulheres casadas

Este trabalho teve como objetivo principal investigar o sentimento de solidão e a saúde mental de mulheres casadas, procurando comparar a maneira de compreender e vivenciar este sentimento em mulheres solteiras e casadas, bem como verificar em que medida este sentimento pode ser mitigado pela presença do outro no casamento (coabitação) e em que condições isto ocorria. Partiu-se da hipótese de que esse sentimento é compartilhado por todas as pessoas, já que o ser humano é uno e individual. Logo, a separação eterna do outro, que se inicia quando o bebê percebe que é diferente da mãe e, assim, um indivíduo único, está associado a uma sensação de solidão que acompanha o ser humano por toda a vida. Desta forma, é muito comum ver pessoas se envolver em relacionamentos para diminuir este sentimento, que se vê intensificado a cada dia em função da superficialidade dos vínculos emocionais. A presença de outrem pode ser aproveitada numa relação interpessoal quando se diminui a intensidade da hostilidade, associada ao sentimento de solidão. O antídoto contra tal sentimento vem do fortalecimento do auto-conhecimento, da autonomia, e da amizade por um companheiro que mostra aceitação incondicional pelo verdadeiro self. Para análise deste sentimento em mulheres casadas, foi realizada uma pesquisa quantitativa e qualitativa com mulheres solteiras e universitárias. A escolha da amostra foi aleatória e por conglomerado, em três estágios. Participaram do estudo 184 mulheres, 38% casadas, 7,6% separadas e 52,7% solteiras. Da pesquisa quantitativa foi possível analisar que a percepção das mulheres sobre a solidão vem, em muitos aspectos, de encontro com a teoria psicanalítica. Pelas respostas encontradas percebeu-se que a grande maioria das participantes tem um baixo sentimento de solidão (58,7%) e 41,3% se classificaram com um escore de alto a médio sentimento de solidão, nestes dois grupos a maioria são de mulheres casadas e separadas, sendo que quanto mais nova a mulher maior a tendência a buscar um relacionamento para fugir da solidão, sendo entre as casadas também que isto ocorre com mais freqüência. A partir destes escores, 18 mulheres foram convidadas a participar de uma entrevista diagnóstica. Destas dezoito, seis mulheres apresentavam alto sentimento de solidão, sendo duas casadas, duas solteiras e duas separadas. Da mesma forma as mulheres com média e baixa solidão. Os resultados encontrados nestas entrevistas foram que todas as mulheres que apresentaram um alto sentimento de solidão demonstram uma adaptação ineficaz perante a vida, enquanto que aquelas que apresentaram médio ou baixo sentimento de solidão dificilmente apresentam adaptação ineficaz. Do grupo de médio sentimento de solidão, três mulheres apresentaram adaptação eficaz, e do grupo de baixo sentimento de solidão apenas uma participante apresentou adaptação ineficaz leve. Com isso concluímos que a solidão, quando em alta medida, além de dolorosa indica uma grande dificuldade do indivíduo em lidar com seus aspectos emocionais e produtivos, necessitando de ajuda psíquica.

CLÍNICA PSICANALÍTICA: O SENTIMENTO DE SOLIDÃO E A SAÚDE MENTAL DE MULHERES CASADAS

Este trabalho teve como objetivo principal investigar o sentimento de solidão e a saúde mental de mulheres casadas, procurando comparar a maneira de compreender e vivenciar este sentimento em mulheres solteiras e casadas, bem como verificar em que medida este sentimento pode ser mitigado pela presença do outro no casamento (coabitação) e em que condições isto ocorria. Partiu-se da hipótese de que esse sentimento é compartilhado por todas as pessoas, já que o ser humano é uno e individual. Logo, a separação eterna do outro, que se inicia quando o bebê percebe que é diferente da mãe e, assim, um indivíduo único, está associado a uma sensação de solidão que acompanha o ser humano por toda a vida. Desta forma, é muito comum ver pessoas se envolver em relacionamentos para diminuir este sentimento, que se vê intensificado a cada dia em função da superficialidade dos vínculos emocionais. A presença de outrem pode ser aproveitada numa relação interpessoal quando se diminui a intensidade da hostilidade, associada ao sentimento de solidão. O antídoto contra tal sentimento vem do fortalecimento do auto-conhecimento, da autonomia, e da amizade por um companheiro que mostra aceitação incondicional pelo verdadeiro self. Para análise deste sentimento em mulheres casadas, foi realizada uma pesquisa quantitativa e qualitativa com mulheres solteiras e universitárias. A escolha da amostra foi aleatória e por conglomerado, em três estágios. Participaram do estudo 184 mulheres, 38% casadas, 7,6% separadas e 52,7% solteiras. Da pesquisa quantitativa foi possível analisar que a percepção das mulheres sobre a solidão vem, em muitos aspectos, de encontro com a teoria psicanalítica. Pelas respostas encontradas percebeu-se que a grande maioria das participantes tem um baixo sentimento de solidão (58,7%) e 41,3% se classificaram com um escore de alto a médio sentimento de solidão, nestes dois grupos a maioria são de mulheres casadas e separadas, sendo que quanto mais nova a mulher maior a tendência a buscar um relacionamento para fugir da solidão, sendo entre as casadas também que isto ocorre com mais freqüência. A partir destes escores, 18 mulheres foram convidadas a participar de uma entrevista diagnóstica. Destas dezoito, seis mulheres apresentavam alto sentimento de solidão, sendo duas casadas, duas solteiras e duas separadas. Da mesma forma as mulheres com média e baixa solidão. Os resultados encontrados nestas entrevistas foram que todas as mulheres que apresentaram um alto sentimento de solidão demonstram uma adaptação ineficaz perante a vida, enquanto que aquelas que apresentaram médio ou baixo sentimento de solidão dificilmente apresentam adaptação ineficaz. Do grupo de médio sentimento de solidão, três mulheres apresentaram adaptação eficaz, e do grupo de baixo sentimento de solidão apenas uma participante apresentou adaptação ineficaz leve. Com isso concluímos que a solidão, quando em alta medida, além de dolorosa indica uma grande dificuldade do indivíduo em lidar com seus aspectos emocionais e produtivos, necessitando de ajuda psíquica.

General gaussian priors for improved generalisation

We explore the dependence of performance measures, such as the generalization error and generalization consistency, on the structure and the parameterization of the prior on `rules', instanced here by the noisy linear perceptron. Using a statistical mechanics framework, we show how one may assign values to the parameters of a model for a `rule' on the basis of data instancing the rule. Information about the data, such as input distribution, noise distribution and other `rule' characteristics may be embedded in the form of general gaussian priors for improving net performance. We examine explicitly two types of general gaussian priors which are useful in some simple cases. We calculate the optimal values for the parameters of these priors and show their effect in modifying the most probable, MAP, values for the rules.

Adaptive back-propagation in on-line learning of multilayer networks

An adaptive back-propagation algorithm is studied and compared with gradient descent (standard back-propagation) for on-line learning in two-layer neural networks with an arbitrary number of hidden units. Within a statistical mechanics framework, both numerical studies and a rigorous analysis show that the adaptive back-propagation method results in faster training by breaking the symmetry between hidden units more efficiently and by providing faster convergence to optimal generalization than gradient descent.

The learning dynamics of a universal approximator

The learning properties of a universal approximator, a normalized committee machine with adjustable biases, are studied for on-line back-propagation learning. Within a statistical mechanics framework, numerical studies show that this model has features which do not exist in previously studied two-layer network models without adjustable biases, e.g., attractive suboptimal symmetric phases even for realizable cases and noiseless data.

Globally optimal on-line learning rules for multi-layer neural networks

We present a method for determining the globally optimal on-line learning rule for a soft committee machine under a statistical mechanics framework. This rule maximizes the total reduction in generalization error over the whole learning process. A simple example demonstrates that the locally optimal rule, which maximizes the rate of decrease in generalization error, may perform poorly in comparison.

The role of biases in on-line learning of two-layer networks

The influence of biases on the learning dynamics of a two-layer neural network, a normalized soft-committee machine, is studied for on-line gradient descent learning. Within a statistical mechanics framework, numerical studies show that the inclusion of adjustable biases dramatically alters the learning dynamics found previously. The symmetric phase which has often been predominant in the original model all but disappears for a non-degenerate bias task. The extended model furthermore exhibits a much richer dynamical behavior, e.g. attractive suboptimal symmetric phases even for realizable cases and noiseless data.

Incorporating curvature information into on-line learning

We analyse the dynamics of a number of second order on-line learning algorithms training multi-layer neural networks, using the methods of statistical mechanics. We first consider on-line Newton's method, which is known to provide optimal asymptotic performance. We determine the asymptotic generalization error decay for a soft committee machine, which is shown to compare favourably with the result for standard gradient descent. Matrix momentum provides a practical approximation to this method by allowing an efficient inversion of the Hessian. We consider an idealized matrix momentum algorithm which requires access to the Hessian and find close correspondence with the dynamics of on-line Newton's method. In practice, the Hessian will not be known on-line and we therefore consider matrix momentum using a single example approximation to the Hessian. In this case good asymptotic performance may still be achieved, but the algorithm is now sensitive to parameter choice because of noise in the Hessian estimate. On-line Newton's method is not appropriate during the transient learning phase, since a suboptimal unstable fixed point of the gradient descent dynamics becomes stable for this algorithm. A principled alternative is to use Amari's natural gradient learning algorithm and we show how this method provides a significant reduction in learning time when compared to gradient descent, while retaining the asymptotic performance of on-line Newton's method.

Transients and asymptotics of natural gradient learning

We analyse natural gradient learning in a two-layer feed-forward neural network using a statistical mechanics framework which is appropriate for large input dimension. We find significant improvement over standard gradient descent in both the transient and asymptotic phases of learning.

The dynamics of matrix momentum

We analyse the matrix momentum algorithm, which provides an efficient approximation to on-line Newton's method, by extending a recent statistical mechanics framework to include second order algorithms. We study the efficacy of this method when the Hessian is available and also consider a practical implementation which uses a single example estimate of the Hessian. The method is shown to provide excellent asymptotic performance, although the single example implementation is sensitive to the choice of training parameters. We conjecture that matrix momentum could provide efficient matrix inversion for other second order algorithms.

Globally optimal on-line learning rules

We present a method for determining the globally optimal on-line learning rule for a soft committee machine under a statistical mechanics framework. This work complements previous results on locally optimal rules, where only the rate of change in generalization error was considered. We maximize the total reduction in generalization error over the whole learning process and show how the resulting rule can significantly outperform the locally optimal rule.

First year qualifying report: neural networks for extracting wind vectors from satellite scatterometer data

The ERS-1 Satellite was launched in July 1991 by the European Space Agency into a polar orbit at about km800, carrying a C-band scatterometer. A scatterometer measures the amount of radar back scatter generated by small ripples on the ocean surface induced by instantaneous local winds. Operational methods that extract wind vectors from satellite scatterometer data are based on the local inversion of a forward model, mapping scatterometer observations to wind vectors, by the minimisation of a cost function in the scatterometer measurement space.par This report uses mixture density networks, a principled method for modelling conditional probability density functions, to model the joint probability distribution of the wind vectors given the satellite scatterometer measurements in a single cell (the `inverse' problem). The complexity of the mapping and the structure of the conditional probability density function are investigated by varying the number of units in the hidden layer of the multi-layer perceptron and the number of kernels in the Gaussian mixture model of the mixture density network respectively. The optimal model for networks trained per trace has twenty hidden units and four kernels. Further investigation shows that models trained with incidence angle as an input have results comparable to those models trained by trace. A hybrid mixture density network that incorporates geophysical knowledge of the problem confirms other results that the conditional probability distribution is dominantly bimodal.par The wind retrieval results improve on previous work at Aston, but do not match other neural network techniques that use spatial information in the inputs, which is to be expected given the ambiguity of the inverse problem. Current work uses the local inverse model for autonomous ambiguity removal in a principled Bayesian framework. Future directions in which these models may be improved are given.

On-line learning of unrealizable tasks

The dynamics of on-line learning is investigated for structurally unrealizable tasks in the context of two-layer neural networks with an arbitrary number of hidden neurons. Within a statistical mechanics framework, a closed set of differential equations describing the learning dynamics can be derived, for the general case of unrealizable isotropic tasks. In the asymptotic regime one can solve the dynamics analytically in the limit of large number of hidden neurons, providing an analytical expression for the residual generalization error, the optimal and critical asymptotic training parameters, and the corresponding prefactor of the generalization error decay.

Natural gradient matrix momentum

Natural gradient learning is an efficient and principled method for improving on-line learning. In practical applications there will be an increased cost required in estimating and inverting the Fisher information matrix. We propose to use the matrix momentum algorithm in order to carry out efficient inversion and study the efficacy of a single step estimation of the Fisher information matrix. We analyse the proposed algorithm in a two-layer network, using a statistical mechanics framework which allows us to describe analytically the learning dynamics, and compare performance with true natural gradient learning and standard gradient descent.

Mean field methods for classification with Gaussian processes

We discuss the Application of TAP mean field methods known from Statistical Mechanics of disordered systems to Bayesian classification with Gaussian processes. In contrast to previous applications, no knowledge about the distribution of inputs is needed. Simulation results for the Sonar data set are given.