Metoda podwójnej warstwy

Metoda dwuwarstwowa to innowacyjny sposób rozwiązywania problemów uczenia maszynowego, łączący w sobie zalety paradygmatu Gracia i modeli głębokiego uczenia się. Metodę tę opracował w 2019 roku zespół badaczy z Instytutu Nauk Integracyjnych i Zarządzania Uniwersytetu w Seulu w Korei.

Główną ideą metody jest podział danych na dwie warstwy: pierwsza warstwa zawiera ograniczoną liczbę klastrów – wektorów bazowych, a druga – pełną próbkę danych. Głównym celem metody dwuwarstwowej jest podzielenie danych wielowymiarowych na warstwy w taki sposób, aby wektory bazowe pierwszej warstwy były powiązane z klastrami danych wielowymiarowych, na których zostały przeszkolone. W ten sposób modele predykcyjne można trenować w oparciu o wytrenowane wektory bazowe i wiele warstw bazowych (takich jak model liniowy lub regresja logistyczna).

Cechą podejścia dwuwarstwowego jest jego elastyczność i wszechstronność. Można go zastosować do szerokiego zakresu problemów i dobrze sprawdza się w przypadku dużych ilości danych. Ponadto metoda ta znacznie poprawia dokładność prognozowania, szczególnie w przypadkach, gdy danych nie można liniowo rozdzielić. Z reguły przewidywane wartości obliczane są na podstawie przecięcia parami współrzędnych wektorów bazowych pierwszej i drugiej warstwy, w wyniku czego możliwa jest identyfikacja ukrytych korelacji pomiędzy elementami danych.

Przyjrzyjmy się przykładom problemów, dla których można zastosować podejście dwuwarstwowe: 1. Klasyfikacja i predykcja danych na podstawie wyników poprzednich pomiarów. W tym przypadku pierwszym etapem metody jest klasyfikacja pomiarów prądowych, natomiast drugim etapem jest znalezienie powiązań pomiędzy tymi pomiarami, z uwzględnieniem korelacji czasoprzestrzennej. 2. Zaawansowane metody leczenia. Uczenie maszynowe to potężne narzędzie umożliwiające zaawansowaną analizę danych pacjentów na potrzeby leczenia. Na przykład w medycynie narzędzia takie jak wykres składu leków można wykorzystać do określenia optymalnych kombinacji leków dla różnych chorób. Metody dwuwarstwowe są skutecznie stosowane w medycynie personalizowanej.

Zalety dwuwarstwowej architektury uczenia maszynowego:

W przeciwieństwie do metod głębokiego uczenia się Grazii, które budują własne reprezentacje danych i abstrakcje przestrzeni zamiast polegać na istniejącym doświadczeniu, dwuwarstwowa architektura zapewnia połączenie z istniejącym doświadczeniem już wbudowanym w system, sama metoda jest znacznie prostsza niż głębokie uczenie się , tj. . mniej skomplikowany w obsłudze, ma znacznie mniejszą złożoność obliczeniową i mniejsze potrzeby obliczeniowe (a zatem zużywa mniej zasobów obliczeniowych na jego budowę), a mimo to jest w stanie osiągać bardzo dobre wyniki w prognozowaniu problemów. Stwierdzono, że przy braku precyzyjnych hipotez wyjściowych modele dwuwarstwowe na ogół sprawdzają się lepiej niż metody alternatywne, nawet w przypadku braku wcześniejszej wiedzy na temat struktury odpowiedniego regionu. Prawdopodobnie wskazują na to niewielkie różnice w początkowej konfiguracji