Dubbellaagse methode

De tweelaagsmethode is een innovatieve manier om machine learning-problemen op te lossen die de voordelen van het Gracia-paradigma en deep learning-modellen combineert. Deze methode is in 2019 ontwikkeld door een team onderzoekers van het Institute of Integrative Sciences and Management van de Universiteit van Seoul, Republiek Korea.

Het hoofdidee van de methode is dat de gegevens in twee lagen zijn verdeeld: de eerste laag bevat een beperkt aantal clusters - basisvectoren, en de tweede - het volledige gegevensmonster. Het belangrijkste doel van de tweelaagsmethode is om hoogdimensionale gegevens in lagen te verdelen, zodat de basisvectoren van de eerste laag worden geassocieerd met de hoogdimensionale gegevensclusters waarop ze zijn getraind. Voorspellingsmodellen kunnen dus worden getraind op basis van getrainde basisvectoren en meerdere basislagen (zoals een lineair model of logistische regressie).

Het bijzondere van de tweelagenbenadering is de flexibiliteit en veelzijdigheid ervan. Het kan worden toegepast op een breed scala aan problemen en werkt goed met grote hoeveelheden gegevens. Bovendien verbetert deze methode de nauwkeurigheid van de prognoses aanzienlijk, vooral in gevallen waarin de gegevens niet lineair scheidbaar zijn. In de regel worden voorspelde waarden berekend op basis van de paarsgewijze kruising van de coördinaten van de basisvectoren van de eerste en tweede laag, waardoor het mogelijk is om verborgen correlaties tussen data-elementen te identificeren.

Laten we eens kijken naar voorbeelden van problemen waarvoor een tweelaagsbenadering kan worden gebruikt: 1. Classificatie en voorspelling van gegevens op basis van de resultaten van eerdere metingen. In dit geval is de eerste fase van de methode een classificatie van huidige metingen, terwijl de tweede fase verbindingen tussen deze metingen vindt, rekening houdend met spatiotemporele correlatie. 2. Geavanceerde behandelmethoden. Machine learning dient als een krachtig hulpmiddel om geavanceerde analyse van patiëntgegevens voor behandeling mogelijk te maken. In de geneeskunde kunnen bijvoorbeeld hulpmiddelen zoals een grafiek van medicijnverbindingen worden gebruikt om optimale medicijncombinaties voor verschillende ziekten te bepalen. Tweelaagsmethoden worden effectief gebruikt voor gepersonaliseerde geneeskunde.

Voordelen van een tweelaagse machine learning-architectuur:

In tegenstelling tot de deep learning-methoden van Grazia, die hun eigen representaties van gegevens en abstracties van de ruimte opbouwen in plaats van te vertrouwen op bestaande ervaringen, biedt de tweelaagse architectuur een link naar bestaande ervaringen die al in het systeem zijn ingebouwd. De methode zelf is veel eenvoudiger dan deep learning , d.w.z. . minder complex om te bedienen, heeft een veel lagere rekencomplexiteit en minder rekenvereisten (en besteedt daarom minder rekenkracht om het te bouwen), en is nog steeds in staat zeer goede resultaten te behalen bij het voorspellen van problemen. Het is gebleken dat bij afwezigheid van precieze initiële hypothesen tweelaagsmodellen over het algemeen beter presteren dan alternatieve methoden, zelfs als er geen voorafgaande kennis is van de structuur van de relevante regio. Kleine verschillen in de initiële configuratie wijzen hier waarschijnlijk op