I modelli di Machine Learning possono produrre risultati affidabili con dati di addestramento limitati

ML models can produce 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; }

I ricercatori presso l’Università di Cambridge nel Regno Unito e l’Università di Cornell hanno dimostrato che i modelli di apprendimento automatico possono generare risultati affidabili anche con dati di addestramento limitati.

I ricercatori si sono concentrati sulle equazioni differenziali parziali (PDE), che sono considerate i mattoni fondamentali della fisica.

Nicolas Boullé di Cambridge ha spiegato: “Utilizzando un modello semplice, potresti essere in grado di inserire alcune delle leggi fisiche che già conosci nel set di dati di addestramento per ottenere una maggiore precisione e prestazioni migliori.”

• Filantropo James Dooley investe in Uniplay Markings
• Come la ricerca di similarità dei vettori può influenzare i risultati nella spesa dei consumatori
• AI cognitiva La strada verso un’AI che pensa come un essere umano

Nello sviluppare un algoritmo per prevedere le soluzioni delle PDE in diverse condizioni, i ricercatori hanno sfruttato le interazioni a breve e lungo raggio delle PDE per incorporare garanzie matematiche nel modello e calcolare la quantità di dati di addestramento necessaria per garantire l’affidabilità.

Ha detto Boullé: “È sorprendente quanto pochi dati siano necessari per ottenere un modello affidabile. Grazie alla matematica di queste equazioni, possiamo sfruttare la loro struttura per rendere i modelli più efficienti.” Da University of Cambridge (Regno Unito) Visualizza l’articolo completo

Abstracts Copyright © 2023 SmithBucklin, Washington, D.C., USA