더블 레이어 방식

2계층 방식은 Gracia 패러다임과 딥러닝 모델의 장점을 결합한 머신러닝 문제를 해결하는 혁신적인 방법입니다. 이 방법은 2019년 대한민국 서울대학교 통합과학경영연구소 연구팀이 개발했습니다.

이 방법의 주요 아이디어는 데이터가 두 개의 레이어로 나누어진다는 것입니다. 첫 번째 레이어에는 제한된 수의 클러스터(기본 벡터)가 포함되고 두 번째 레이어에는 전체 데이터 샘플이 포함됩니다. 2계층 방법의 주요 목표는 첫 번째 계층의 기본 벡터가 훈련된 고차원 데이터 클러스터와 연관되도록 고차원 데이터를 여러 계층으로 분할하는 것입니다. 따라서 예측 모델은 훈련된 기본 벡터와 여러 기본 계층(예: 선형 모델 또는 로지스틱 회귀)을 기반으로 훈련될 수 있습니다.

2계층 접근 방식의 특징은 유연성과 다양성입니다. 광범위한 문제에 적용할 수 있으며 대량의 데이터에 잘 작동합니다. 또한 이 방법은 특히 데이터를 선형으로 분리할 수 없는 경우 예측 정확도를 크게 향상시킵니다. 원칙적으로 예측값은 첫 번째 레이어와 두 번째 레이어의 기본 벡터 좌표의 쌍별 교차점을 기반으로 계산되며, 그 결과 데이터 요소 간의 숨겨진 상관 관계를 식별할 수 있습니다.

2계층 접근법을 사용할 수 있는 문제의 예를 살펴보겠습니다. 1. 이전 측정 결과를 기반으로 데이터를 분류하고 예측합니다. 이 경우 방법의 첫 번째 단계는 현재 측정값을 분류하는 것이고, 두 번째 단계에서는 시공간 상관 관계를 고려하여 이러한 측정값 간의 연결을 찾는 것입니다. 2. 고급 치료 방법. 기계 학습은 치료를 위한 환자 데이터의 고급 분석을 가능하게 하는 강력한 도구 역할을 합니다. 예를 들어, 의학에서는 약물 화합물 그래프와 같은 도구를 사용하여 다양한 질병에 대한 최적의 약물 조합을 결정할 수 있습니다. 맞춤형 의료에는 2층 방법이 효과적으로 사용됩니다.

2계층 머신러닝 아키텍처의 장점:

기존 경험에 의존하는 대신 자체 데이터 표현과 공간 추상화를 구축하는 Grazia의 딥러닝 방법과 달리 2계층 아키텍처는 이미 시스템에 내장된 기존 경험에 대한 링크를 제공하므로 방법 자체가 딥러닝보다 훨씬 간단합니다. , 즉. . 작동이 덜 복잡하고, 계산 복잡성과 계산 필요성이 훨씬 낮으며(따라서 이를 구축하는 데 더 적은 계산 리소스를 소비함), 여전히 예측 문제에서 매우 좋은 결과를 얻을 수 있습니다. 정확한 초기 가설이 없는 경우, 관련 지역의 구조에 대한 사전 지식이 없는 경우에도 일반적으로 2층 모델이 대체 방법보다 더 나은 성능을 발휘하는 것으로 나타났습니다. 초기 구성의 작은 차이는 아마도