Dobbelt lag metode

Tolagsmetoden er en innovativ måde at løse maskinlæringsproblemer på, der kombinerer fordelene ved Gracia-paradigmet og deep learning-modeller. Denne metode blev udviklet i 2019 af et team af forskere fra Institute of Integrative Sciences and Management ved University of Seoul, Republikken Korea.

Hovedideen med metoden er, at dataene er opdelt i to lag: det første lag indeholder et begrænset antal klynger - basisvektorer, og det andet - den komplette dataprøve. Hovedmålet med tolagsmetoden er at opdele højdimensionelle data i lag, således at basisvektorerne i det første lag er forbundet med de højdimensionelle dataklynger, som de blev trænet på. Forudsigelsesmodeller kan således trænes baseret på trænede basisvektorer og flere basislag (såsom en lineær model eller logistisk regression).

Det særlige ved to-lags tilgangen er dens fleksibilitet og alsidighed. Det kan anvendes på en lang række problemer og fungerer godt med store mængder data. Derudover forbedrer denne metode væsentligt prognosenøjagtigheden, især i tilfælde, hvor dataene ikke er lineært adskillelige. Som regel beregnes forudsagte værdier baseret på det parvise skæringspunkt mellem koordinaterne for basisvektorerne i det første og andet lag, som et resultat af hvilket det er muligt at identificere skjulte korrelationer mellem dataelementer.

Lad os se på eksempler på problemer, som en to-lags tilgang kan bruges til: 1. Klassificering og forudsigelse af data baseret på resultaterne af tidligere målinger. I dette tilfælde er det første trin i metoden en klassificering af strømmålinger, mens det andet trin finder sammenhænge mellem disse målinger under hensyntagen til spatiotemporal korrelation. 2. Avancerede behandlingsmetoder. Maskinlæring fungerer som et kraftfuldt værktøj til at muliggøre avanceret analyse af patientdata til behandling. For eksempel inden for medicin kan værktøjer såsom en lægemiddelsammensætningsgraf bruges til at bestemme optimale lægemiddelkombinationer for forskellige sygdomme. To-lags metoder bruges effektivt til personlig medicin.

Fordele ved en to-lags maskinlæringsarkitektur:

I modsætning til Grazias deep learning metoder, som bygger deres egne repræsentationer af data og abstraktioner af rummet i stedet for at stole på eksisterende erfaring, giver to-lags arkitekturen et link til eksisterende erfaring, der allerede er indbygget i systemet, selve metoden er meget enklere end deep learning , dvs. mindre kompleks at betjene, har meget lavere beregningskompleksitet og mindre beregningsmæssigt behov (og bruger derfor færre beregningsressourcer på at bygge det), og er stadig i stand til at opnå meget gode resultater i prognoseproblemer. Det har vist sig, at i mangel af præcise indledende hypoteser, klarer to-lagsmodeller sig generelt bedre end alternative metoder, selv i mangel af forudgående viden om strukturen i den relevante region. Små forskelle i den oprindelige konfiguration tyder sandsynligvis på