Разработаны новые способы моделирования неопределенности данных

Источник фото: pixabay.com

Специалисты в области искусственного интеллекта и машинного обучения предложили схемы моделирования неопределенности данных на основе графов и попарных расстояний в неконтролируемом и контролируемом контекстах.

Спектральное обучение подпространств - это общий этап предварительной обработки данных во многих системах машинного обучения. Основная цель - научиться осмысленному встраиванию данных в низкую размерность.

Однако большинство методов машинного обучения подпространству не принимают во внимание возможные неточности измерения или артефакты, которые могут привести к данным с высокой неопределенностью.

Обучение непосредственно из необработанных данных может ввести в заблуждение и отрицательно повлиять на точность. В своем новом исследовании ученые предложили моделировать артефакты в обучающих данных, используя распределения вероятностей. Каждая точка данных представлена ​​распределением Гаусса с центром в исходной точке данных, имеющим дисперсию, которая моделирует неопределенность.

Переформулировка структуры вложения графов помогла сделать ее пригодной для обучения на основе распределений неопределенности изучаемых данных.