Uma nova métrica para redução de dimensionalidade em modelos de aprendizado neural
Cientistas das diversas áreas de conhecimento humano têm se deparado com a necessidade de resolver problemas que envolvem a compreensão de dados de alta dimensionalidade. Assim, a utilização de técnicas de aprendizado de máquina tem sido dificultada por limitações na quantidade de exemplos aliada ao...
Guardado en:
| Autores principales: | , |
|---|---|
| Formato: | Objeto de conferencia |
| Lenguaje: | Portugués |
| Publicado: |
2009
|
| Materias: | |
| Acceso en línea: | http://sedici.unlp.edu.ar/handle/10915/21207 |
| Aporte de: |
| Sumario: | Cientistas das diversas áreas de conhecimento humano têm se deparado com a necessidade de resolver problemas que envolvem a compreensão de dados de alta dimensionalidade. Assim, a utilização de técnicas de aprendizado de máquina tem sido dificultada por limitações na quantidade de exemplos aliada ao excesso de variáveis aleatórias descrevendo os dados. Este trabalho apresenta uma nova abordagem para redução de dimensionalidade dos dados a fim de melhorar a escalabilidade dos algoritmos de aprendizado baseados em redes neurais. São apresentados experimentos que demonstram a eficiência da abordagem proposta na criação de modelos neurais mais simples e mais precisos dos dados. |
|---|