- ตัวเข้ารหัสอัตโนมัติที่เสริมด้วย PCA สำหรับการลดขนาดแบบไม่เชิงเส้นในระบบการปกครองที่มีข้อมูลต่ำ (arXiv)
ผู้แต่ง : "Muhammad Al-Digeil", "Yuri Grinberg", "Daniele Melati3", "Mohsen Kamandar Dezfouli", "Jens H. Schmid", "Pavel Cheben", "Siegfried Janz", "Dan-Xia Xu"
บทคัดย่อ : ตัวเข้ารหัสอัตโนมัติ (AE) มอบวิธีการที่มีประโยชน์สำหรับการลดขนาดแบบไม่เชิงเส้น แต่ไม่เหมาะสำหรับระบบข้อมูลต่ำ ในทางกลับกัน การวิเคราะห์องค์ประกอบหลัก (PCA) มีประสิทธิภาพด้านข้อมูล แต่ถูกจำกัดอยู่ที่การลดขนาดเชิงเส้น ทำให้เกิดปัญหาเมื่อข้อมูลแสดงความไม่เชิงเส้นโดยธรรมชาติ สิ่งนี้นำเสนอความท้าทายในขอบเขตทางวิทยาศาสตร์และวิศวกรรมต่างๆ เช่น การออกแบบส่วนประกอบนาโนโฟโตนิก ซึ่งข้อมูลแสดงคุณสมบัติที่ไม่เป็นเชิงเส้นในขณะที่การได้มานั้นมีราคาแพงเนื่องจากการวัดจริงที่มีค่าใช้จ่ายสูงหรือโซลูชันที่ใช้ทรัพยากรของสมการเชิงอนุพันธ์ย่อย เพื่อจัดการกับปัญหานี้ เราขอเสนอเทคนิคที่ควบคุมสิ่งที่ดีที่สุดของทั้งสองโลก: โปรแกรมเข้ารหัสอัตโนมัติที่ใช้ประโยชน์จาก PCA เพื่อทำงานได้ดีกับข้อมูลที่ไม่เป็นเชิงเส้นที่หายาก โดยเฉพาะอย่างยิ่ง เราร่างโครงร่างการเริ่มต้น PCA ที่แข็งแกร่งเชิงตัวเลขของ AE ซึ่งรวมถึงฟังก์ชันการเปิดใช้งาน ReLU ที่กำหนดพารามิเตอร์แล้ว ช่วยให้กระบวนการฝึกอบรมเริ่มต้นจากโซลูชัน PCA ที่แน่นอนและปรับปรุงตามนั้น ตัวอย่างสังเคราะห์จะถูกนำเสนอก่อนเพื่อศึกษาผลกระทบของความไม่เชิงเส้นและขนาดของข้อมูลต่อประสิทธิภาพของวิธีการที่เสนอ จากนั้นเราจะประเมินวิธีการของเรากับปัญหาการออกแบบส่วนประกอบนาโนโฟโตนิกหลายประการ ซึ่งการได้รับข้อมูลที่เป็นประโยชน์มีราคาแพง เพื่อแสดงให้เห็นถึงความเป็นสากล เรายังนำไปใช้กับงานในขอบเขตทางวิทยาศาสตร์อื่นๆ ด้วย เช่น ชุดข้อมูลมะเร็งเต้านมที่เป็นเกณฑ์มาตรฐาน และชุดข้อมูลการแสดงออกของยีน เราแสดงให้เห็นว่าแนวทางที่เราเสนอนั้นดีกว่าทั้ง PCA และ AE ที่เริ่มต้นแบบสุ่มอย่างมากในกรณีส่วนใหญ่ที่มีข้อมูลน้อยที่เราพิจารณา หรืออย่างน้อยก็เทียบเคียงได้กับวิธีที่ดีที่สุดวิธีใดวิธีหนึ่งจากอีกสองวิธี
2. ใช้ประโยชน์จากการสูญเสียแฝดและการลดขนาดแบบไม่เชิงเส้นสำหรับการสร้างแผนภูมิช่องแบบทันที (arXiv)
ผู้แต่ง : "Taha Yassine", "Luc Le Magoarou", "Stéphane Paquelet", "Matthieu Crussière"
บทคัดย่อ : การสร้างแผนภูมิช่องสัญญาณเป็นวิธีการเรียนรู้แบบไม่มีผู้ดูแลซึ่งมีจุดมุ่งหมายในการทำแผนที่ช่องสัญญาณไร้สายกับแผนภูมิที่เรียกว่า เพื่อรักษาพื้นที่ใกล้เคียงเชิงพื้นที่ให้มากที่สุดเท่าที่จะเป็นไปได้ ในบทความนี้ มีการเสนอแนวทางการเรียนรู้เชิงลึกตามแบบจำลองเพื่อแก้ไขปัญหานี้ โดยสร้างจากการวัดระยะทางที่มีแรงจูงใจทางกายภาพเพื่อจัดโครงสร้างและเริ่มต้นโครงข่ายประสาทเทียม ซึ่งได้รับการฝึกฝนในภายหลังโดยใช้ฟังก์ชันการสูญเสียแฝด โครงสร้างที่นำเสนอแสดงพารามิเตอร์จำนวนน้อย และการเริ่มต้นที่ชาญฉลาดนำไปสู่การฝึกอบรมที่รวดเร็ว คุณลักษณะทั้งสองนี้ทำให้แนวทางที่นำเสนอสอดคล้องกับการสร้างแผนภูมิช่องแบบทันที วิธีการนี้ได้รับการประเมินเชิงประจักษ์ในช่องสังเคราะห์ที่สมจริง ซึ่งให้ผลลัพธ์ที่น่าพึงพอใจ
