Los modelos de Aprendizaje Automático pueden producir resultados confiables con datos de entrenamiento limitados
Los modelos de Aprendizaje Automático pueden obtener buenos resultados con pocos datos de entrenamiento
.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; }
Investigadores de la Universidad de Cambridge en el Reino Unido y la Universidad de Cornell demostraron que los modelos de aprendizaje automático pueden generar resultados confiables incluso con datos de entrenamiento limitados.
Los investigadores se centraron en las ecuaciones diferenciales parciales (EDP), que se consideran los bloques de construcción de la física.
Nicolas Boullé de Cambridge explicó: “Usando un modelo simple, es posible incorporar parte de la física que ya se conoce en el conjunto de datos de entrenamiento para obtener una mayor precisión y rendimiento”.
Al desarrollar un algoritmo para predecir las soluciones de las EDP bajo diversas condiciones, los investigadores aprovecharon las interacciones a corta y larga distancia de las EDP para incorporar garantías matemáticas en el modelo y calcular la cantidad de datos de entrenamiento necesarios para garantizar la confiabilidad.
- Cómo la búsqueda de similitud de vectores puede impulsar los result...
- Inteligencia Cognitiva AI El camino hacia una IA que piensa como un...
- Explorando datos de población a gran escala en formato raster
Boullé afirmó: “Es sorprendente la poca cantidad de datos que se necesitan para obtener un modelo confiable. Gracias a las matemáticas de estas ecuaciones, podemos aprovechar su estructura para hacer que los modelos sean más eficientes”. De la Universidad de Cambridge (Reino Unido). Ver artículo completo
Derechos de autor del resumen © 2023 SmithBucklin, Washington, D.C., EE. UU. 
