Modern biyomedikal araştırmalarda karşılaştığımız temel sorulardan biri, bilimsel bir keşif yapabilmek için ne kadar veriye ihtiyaç duyduğumuzdur. Veri setleri milyonlarca örneğe ulaştıkça ve yapay zeka modelleri büyüdükçe, ek verinin performansı ne zaman önemli ölçüde artıracağını öngörebilmek kritik hale geliyor.
Yeni araştırma, bu soruna matematikteki ünlü Riemann zeta fonksiyonundan ilham alan özgün bir yaklaşım sunuyor. Araştırmacılar, farklı modaliteler arasındaki keşif kapasitesi için spektral yapıya dayalı bir ölçekleme yasası çerçevesi geliştirdi. Bu yaklaşım, veri kovaryans operatörlerinin spektral yapısını, görev odaklı sinyal projeksiyonlarını ve öğrenilmiş temsilleri birleştiriyor.
Çalışmanın en dikkat çekici bulgusu, AUC gibi birçok performans metriğinin, kodlayıcı ve çapraz modal operatörlerin tanımlanabilir spektral modları boyunca biriken sinyal-gürültü enerjisi cinsinden ifade edilebilmesidir. Belirli varsayımlar altında, bu birikim zeta benzeri bir ölçekleme yasasını takip ediyor.
Bu matematiksel çerçeve, model geliştiricilerine teorik rehberlik sağlayarak, performansın ne zaman iyileşeceği, ne zaman doyuma ulaşacağı veya çapraz geçiş davranışı sergileyeceği konusunda öngörü sunuyor. Böylece kaynak planlaması ve veri toplama stratejileri daha etkili hale gelebilir.