Redes Neurais Recorrentes Prof. Anderson Rocha Tavares Bloco 12 · Slide 1 / 1

Atualização do Cell State

A nova memória é refinada, não completamente substituída

🧠 LSTM — Atualização de cₜ em Destaque

cₜ = fₜ ⊙ cₜ₋₁ + iₜ ⊙ c̃ₜ
📐 Exemplo Numérico (dim = 2) — mesmos valores anteriores
dim 1
dim 2
fₜ ⊙ cₜ₋₁ =
0.72 −0.15
iₜ ⊙ c̃ₜ =
0.24 0.56
cₜ =
0.96 0.41
dim 1: 0.72 + 0.24 = 0.96  |  dim 2: −0.15 + 0.56 = 0.41

⚖️ Refinamento da Memória

⚖️
Duas parcelas

fₜ ⊙ cₜ₋₁ preserva parte da memória antiga; iₜ ⊙ c̃ₜ acrescenta nova informação. Cada dimensão de cₜ é atualizada independentemente.

➕
Hadamard + soma

⊙ = produto elemento a elemento. A soma combina passado filtrado com novo conteúdo filtrado.

🌊
Caminho estável

O caminho aditivo do cell state favorece o fluxo do gradiente, evitando o problema do gradiente que desaparece.

💚 No exemplo: dim 1 era 0.80, é esquecida a 72% e recebe 0.24 → cₜ[1] = 0.96. dim 2 era −0.50, é esquecida a 30% e recebe 0.56 → cₜ[2] = 0.41.
➡️ Mas ainda falta decidir o que dessa memória será exposto como estado oculto hₜ.