Модели машинного обучения могут давать надежные результаты при ограниченных объемах обучающих данных

Machine learning models can provide reliable results with limited training data.

.fav_bar { float:left; border:1px solid #a7b1b5; margin-top:10px; margin-bottom:20px; } .fav_bar span.fav_bar-label { text-align:center; padding:8px 0px 0px 0px; float:left; margin-left:-1px; border-right:1px dotted #a7b1b5; border-left:1px solid #a7b1b5; display:block; width:69px; height:24px; color:#6e7476; font-weight:bold; font-size:12px; text-transform:uppercase; font-family:Arial, Helvetica, sans-serif; } .fav_bar a, #plus-one { float:left; border-right:1px dotted #a7b1b5; display:block; width:36px; height:32px; text-indent:-9999px; } .fav_bar a.fav_print { background:url(‘/images/icons/print.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_print:hover { background:url(‘/images/icons/print.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.mobile-apps { background:url(‘/images/icons/generic.gif’) no-repeat 13px 7px #FFF; background-size: 10px; } .fav_bar a.mobile-apps:hover { background:url(‘/images/icons/generic.gif’) no-repeat 13px 7px #e6e9ea; background-size: 10px} .fav_bar a.fav_de { background: url(/images/icons/de.gif) no-repeat 0 0 #fff } .fav_bar a.fav_de:hover { background: url(/images/icons/de.gif) no-repeat 0 0 #e6e9ea } .fav_bar a.fav_acm_digital { background:url(‘/images/icons/acm_digital_library.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_acm_digital:hover { background:url(‘/images/icons/acm_digital_library.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.fav_pdf { background:url(‘/images/icons/pdf.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_pdf:hover { background:url(‘/images/icons/pdf.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.fav_more .at-icon-wrapper{ height: 33px !important ; width: 35px !important; padding: 0 !important; border-right: none !important; } .a2a_kit { line-height: 24px !important; width: unset !important; height: unset !important; padding: 0 !important; border-right: unset !important; border-left: unset !important; } .fav_bar .a2a_kit a .a2a_svg { margin-left: 7px; margin-top: 4px; padding: unset !important; }

Исследователи обнаружили, что Уравнения в частных производных, которые моделируют диффузию, имеют структуру, которая полезна для разработки моделей искусственного интеллекта. ¶ Кредит: Getty Images

Исследователи из Университета Кембриджа в Великобритании и Корнеллского университета продемонстрировали, что модели машинного обучения могут давать надежные результаты даже при ограниченных обучающих данных.

Исследователи сосредоточились на уравнениях в частных производных (УЧП), которые считаются строительными блоками физики.

Николя Булле из Кембриджа объяснил: “Используя простую модель, вы можете принудительно включить некоторую физику, которую вы уже знаете, в обучающий набор данных, чтобы достичь лучшей точности и производительности”.

При разработке алгоритма для прогнозирования решений УЧП в различных условиях исследователи использовали короткодействующие и долгодействующие взаимодействия УЧП, чтобы встроить математические гарантии в модель и рассчитать количество обучающих данных, необходимых для обеспечения надежности.

По словам Булле, “Удивительно, как мало данных вам нужно для создания надежной модели. Благодаря математике этих уравнений мы можем использовать их структуру, чтобы сделать модели более эффективными”. Источник: Университет Кембриджа (Великобритания) Полная статья

Аннотации Copyright © 2023 SmithBucklin, Вашингтон, США