Sequencer: алгоритм ищет зависимости в данных

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


?

Sequencer — это алгоритм, который автоматически извлекает основные закономерности в данных. Для этого Sequencer переупорядочивает набор объектов, чтобы получить наиболее длинное многообразие, описывающее сходства объектов. Алгоритм использует четыре разные метрики. Метрики включают в себя евклидово расстояние, KL-дивергенцию, метрику Васерштейна и энергетическое расстояние. Sequencer масштабируется на любой датасет.

Алгоритм принимает во внимание разные уровни в данных. Каждый объект во входном датасете делится на отдельные части (чанки). Между чанки измеряется схожесть. Затем информация о каждом чанке агрегируется отдельно для каждой метрики и уровня.

Sequencer использует размерность графов, описывающих многоуровневые близости. В частности алгоритм использует тот факт, что непрерывные тренды (последовательности) в датасете ведут к более длинным графам.

Изначально Sequencer — это метод снижения размерности данных, который обучается без учителя. Однако алгоритм от других методов понижения размерности, как tSNE и UMAP, отличают следующие аспекты:

  • Sequencer может кодировать входной датасет в одномерном пространстве, когда tSNE и UMAP способны переводить данные в большемерные пространства: 2D или 3D;
  • tSNE и UMAP зависят от предопределенного набора гиперпараметров, которые часто задаются вручную, и напрямую не могут оптимизироваться, что отличает их от Sequencer;
  • Sequencer обходит tSNE и UMAP на части задач в поиске одномерных трендов в данных
Псевдокод алгоритма поиска зависимостей в данных

Источник: neurohive.io

Комментарии: