Incorporamento a distorsione minima

Titolo originale:

Minimum-Distortion Embedding

Contenuto del libro:

Le incorporazioni forniscono rappresentazioni numeriche concrete di elementi altrimenti astratti, da utilizzare in compiti a valle. Ad esempio, un biologo potrebbe cercare sottofamiglie di cellule affini raggruppando vettori di embedding associati a singole cellule, mentre un professionista dell'apprendimento automatico potrebbe utilizzare rappresentazioni vettoriali di parole come caratteristiche per un compito di classificazione.

In questa monografia gli autori presentano un quadro generale per l'incorporazione fedele chiamato incorporazione a minima distorsione (MDE) che generalizza i casi comuni in cui le somiglianze tra gli elementi sono descritte da pesi o distanze. La struttura MDE è semplice ma generale. Include un'ampia varietà di metodi di incorporazione specifici, tra cui l'incorporazione spettrale, l'analisi delle componenti principali, la scalatura multidimensionale, i problemi di distanza euclidea, ecc.

Gli autori forniscono una descrizione dettagliata del problema dell'incorporazione a minima distorsione e descrivono la teoria alla base della creazione di soluzioni per tutti gli aspetti. Descrivono inoltre in dettaglio gli algoritmi per il calcolo delle incorporazioni a distorsione minima.

Infine, forniscono esempi su come risolvere approssimativamente molti problemi MDE che coinvolgono insiemi di dati reali, tra cui immagini, reti di co-autorialità, dati demografici delle contee degli Stati Uniti, genetica della popolazione e trascrittomi di mRNA di singole cellule. Un pacchetto software open-source, PyMDE, consente ai professionisti di sperimentare con facilità diverse incorporazioni attraverso diverse scelte di funzioni di distorsione e set di vincoli.

La teoria e le tecniche descritte e illustrate in questo libro saranno di interesse per i ricercatori e i professionisti che lavorano su sistemi moderni che cercano di adottare un'intelligenza artificiale all'avanguardia.