“buzul” için sonuçlar
3 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Urysohn Makinesi: Geometrik Yapıları Kullanan Yeni Hesaplama Modeli
Araştırmacılar, sınıflandırma problemlerini çözmek için geometrik ve topolojik yapıları kullanan 'Urysohn Makinesi' adlı yeni bir hesaplama modeli geliştirdi. Bu model, geleneksel algoritmaların aksine, metrik ayrım, sınır yapıları ve büzülme işlemlerini hesaplamanın temel parçaları olarak ele alıyor. Sistem, destek bölgesi, hedef bölümleme ve ayırıcı sınıflandırıcıdan oluşan 'Urysohn Üçlüsü' adlı temel nesneler kullanıyor. Model, karar sınırlarının genişliği ve toplam sınır kütlesi olmak üzere iki yeni karmaşıklık ölçüsü sunuyor. Bu yaklaşım, özellikle makine öğrenmesi ve yapay zeka uygulamalarında sınıflandırma problemlerinin daha etkili çözülmesi için yeni perspektifler açabilir.
Makine Öğrenmesinde 'Negatif Düzenleme' ile Küçük Veri Problemine Çözüm
Araştırmacılar, az veri bulunan durumlarda makine öğrenmesi modellerinin performansını artıran yenilikçi bir yaklaşım geliştirdi. Geleneksel düzenleme yöntemleri modellerin aşırı öğrenmesini önlemek için tasarlanmış olsa da, sınırlı veri setlerinde bazen tam tersine yetersiz öğrenmeye neden olabiliyor. Stanford ve diğer kurumlardan bilim insanları, bu sorunu çözmek için 'negatif düzenleme' adı verilen kontrollü bir anti-büzülme tekniği öneriyor. Bu yöntem, özellikle zayıf sinyal yönlerinde modelin karmaşıklığını artırarak daha iyi tahminler yapmasını sağlıyor. Yapılan teorik analiz ve deneyler, bu yaklaşımın küçük veri setlerinde geleneksel yöntemlerden daha başarılı sonuçlar verdiğini ortaya koyuyor.
Graf öğrenmede yeni topolojik yaklaşım: Kum saati kalıcılığı
Araştırmacılar, graf sinir ağlarının öğrenme kapasitesini artırmak için yeni bir topolojik yöntem geliştirdi. Geleneksel kalıcı homoloji yöntemlerinin sınırlarını aşmaya odaklanan çalışma, graf büzülme işlemlerini temel alan 'Büzülme Homolojisi' kavramını tanıtıyor. En dikkat çekici yenilik ise genişleme ve büzülme işlemlerini birleştiren 'Kum Saati Kalıcılığı' yaklaşımı. Bu yöntem, graf yapılarındaki döngüler ve global özellikler gibi karmaşık topolojik bilgileri daha etkili şekilde kodlayabiliyor. Makine öğrenmesi uygulamalarında ifade gücü, öğrenilebilirlik ve kararlılık açısından önemli iyileştirmeler sağlayan bu yaklaşım, simplicial ve hücresel ağlara da uygulanabiliyor.