Los matemáticos de la RUDN y la Universidad Libre de Berlín han propuesto una nueva forma de usar redes neuronales para trabajar con datos ruidosos de grandes dimensiones

Los matemáticos de la RUDN y la Universidad Libre de Berlín han propuesto una nueva forma de usar redes neuronales para trabajar con datos ruidosos de grandes dimensiones

Los matemáticos de la RUDN y la Universidad Libre de Berlín propusieron un nuevo enfoque para estudiar las distribuciones de probabilidad de los datos observados utilizando redes neuronales artificiales. El nuevo enfoque interactúa mejor con los llamados valores atípicos, con aquellos objetos de datos de entrada que se distinguen significativamente de la muestra general.

La restauración de la distribución de probabilidad de los datos observados por redes neuronales artificiales es la parte más importante del aprendizaje automático. La distribución de probabilidad no solo nos permite predecir el comportamiento del sistema estudiado, sino también cuantificar la incertidumbre con la que se hacen los pronósticos. La principal dificultad es que, por regla general, solo se observan los datos en sí mismos, pero sus distribuciones de probabilidad en una forma exacta no están disponibles. Para resolver este problema, se utilizan métodos bayesianos y aproximados. Pero su uso aumenta la complejidad de la red neuronal y, en consecuencia, su entrenamiento. La combinación de métodos bayesianos con otros (por ejemplo, con el método delta) permite reducir la incertidumbre.

Los matemáticos de la RUDN y la Universidad Libre de Berlín utilizaron pesos deterministas para redes neuronales, y los resultados de las redes codificaron la distribución de variables latentes para la distribución marginal (privada) deseada. Obtuvieron una fórmula que permite estimar correctamente la varianza de la distribución de los datos observados. Un análisis de la dinámica de aprendizaje de tales redes les permitió obtener una fórmula que estima correctamente la varianza de la distribución de los datos observados, a pesar de la presencia de valores atípicos en los datos. El modelo propuesto se probó con diferentes datos: sintético y real; sobre los datos que contienen emisiones y sobre aquellos de los cuales fueron eliminados previamente. El nuevo método permite restaurar las distribuciones de probabilidad con mayor precisión en comparación con otros métodos modernos. La precisión se estimó utilizando el método AUC (el área bajo de la curva es el área debajo del gráfico que permite estimar el error cuadrático medio de las predicciones según el tamaño de la muestra estimado por la red como «confiable»; cuanto mayor sea el puntaje AUC, mejores serán las predicciones).

El artículo fue publicado en la revista Artificial Intelligence

Ciencia
08 Oct
Físico de RUDN University simplificó la teoría de Einstein-Lovelock sobre los agujeros negros

Tomando en cuenta correcciones cuánticas, la teoría de Einstein-Lovelock describe los agujeros negros mediante una ecuación que contiene un número infinito de términos. Un físico de RUDN University demostró que la geometría de un agujero negro de mencionada teoría es representable en una forma compacta y solo un pequeño número de términos son suficientes para describir los valores observados. Esto ayudará a los investigadores a estudiar los agujeros negros usando teorías con correcciones cuánticas en las ecuaciones de Einstein.

Ciencia
04 Oct
Lingüista de RUDN University descubrió que las consonantes aspiradas pueden contribuir a la propagación de la COVID-19

Un lingüista de RUDN University encontró que el número de casos de COVID-19 puede estar asociado con la presencia de consonantes aspiradas en el idioma principal del país. Estos datos ayudarán a modelar con mayor precisión la propagación de la infección por coronavirus.

Ciencia
23 Sep
Investigadores de RUDN University han afirmado que los metales tóxicos en el organismo de los estudiantes pueden afectar su salud y rendimiento

Un grupo de médicos y ecólogos de RUDN University han medido la concentración de metales pesados ​​en el organismo de estudiantes universitarios de primer año de diferentes regiones del mundo. El cribado permitió rastrear la relación entre la región de residencia y el nivel de metales tóxicos en el organismo. Los investigadores sugirieron que el aumento de los niveles de metales pesados ​​en el organismo de estudiantes de África y América Latina podría afectar negativamente su salud y rendimiento.