Dobbeltlagsmetode

Tolagsmetoden er en innovativ måte å løse maskinlæringsproblemer som kombinerer fordelene med Gracia-paradigmet og dyplæringsmodeller. Denne metoden ble utviklet i 2019 av et team av forskere fra Institute of Integrative Sciences and Management ved University of Seoul, Republikken Korea.

Hovedideen med metoden er at dataene er delt inn i to lag: det første laget inneholder et begrenset antall klynger - basisvektorer, og det andre - det komplette datautvalget. Hovedmålet med tolagsmetoden er å dele høydimensjonale data inn i lag slik at basisvektorene til det første laget er assosiert med de høydimensjonale dataklyngene de ble trent på. Dermed kan prediksjonsmodeller trenes basert på trenede basevektorer og flere basislag (som en lineær modell eller logistisk regresjon).

Det særegne ved to-lags tilnærmingen er dens fleksibilitet og allsidighet. Den kan brukes på et bredt spekter av problemer og fungerer godt med store datamengder. I tillegg forbedrer denne metoden prognosenøyaktigheten betydelig, spesielt i tilfeller der dataene ikke er lineært separerbare. Som regel beregnes predikerte verdier basert på det parvise skjæringspunktet mellom koordinatene til basisvektorene til det første og andre laget, som et resultat av dette er det mulig å identifisere skjulte korrelasjoner mellom dataelementer.

La oss se på eksempler på problemer som en to-lags tilnærming kan brukes til: 1. Klassifisering og prediksjon av data basert på resultater fra tidligere målinger. I dette tilfellet er det første trinnet i metoden en klassifisering av strømmålinger, mens det andre trinnet finner sammenhenger mellom disse målingene, tar hensyn til romlig korrelasjon. 2. Avanserte behandlingsmetoder. Maskinlæring fungerer som et kraftig verktøy for å muliggjøre avansert analyse av pasientdata for behandling. For eksempel, i medisin, kan verktøy som en legemiddelsammensetningsgraf brukes til å bestemme optimale medikamentkombinasjoner for ulike sykdommer. To-lags metoder brukes effektivt for personlig tilpasset medisin.

Fordeler med en to-lags maskinlæringsarkitektur:

I motsetning til Grazias dyplæringsmetoder, som bygger sine egne representasjoner av data og abstraksjoner av rom i stedet for å stole på eksisterende erfaring, gir tolagsarkitekturen en kobling til eksisterende erfaring som allerede er innebygd i systemet, selve metoden er mye enklere enn dyplæring , dvs. . mindre komplisert å betjene, har mye lavere beregningskompleksitet og mindre beregningsbehov (og bruker derfor mindre beregningsressurser på å bygge den), og er fortsatt i stand til å oppnå svært gode resultater i prognoseproblemer. Det har blitt funnet at i fravær av presise initiale hypoteser, gir tolagsmodeller generelt bedre resultater enn alternative metoder, selv i fravær av forkunnskaper om strukturen til den aktuelle regionen. Små forskjeller i den opprinnelige konfigurasjonen indikerer sannsynligvis