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
22 Jul
Matemática de RUDN University construyó un modelo de propagación de la COVID-19 que muestra cómo la vacunación afecta el curso de la pandemia

Unos matemáticos de RUDN University han modelado la propagación de la COVID-19 basándose en dos modelos de regresión matemática. Los matemáticos dividieron los países en tres grupos según la tasa de infección y las condiciones climáticas, y encontraron una aproximación matemática adecuada para cada uno de ellos. Basándose en el modelo, los matemáticos predijeron oleadas posteriores. El pronóstico resultó ser exacto en países donde no se ha adoptado la vacunación masiva.

Ciencia
20 Jul
Un genetista de RUDN University descubrió la proteína de las bifidobacterias que es capaz de aliviar la inflamación producida por COVID-19 y otras enfermedades

Un genetista de RUDN University ha demostrado cómo las bacterias intestinales del género Bifidobacterium afectan el proceso inflamatorio. Resulta que la proteína de superficie de las bifidobacterias puede detener la inflamación incontrolada innecesaria que ocurre, por ejemplo, en casos de COVID-19. Un fragmento de esta proteína se puede utilizar como agente antiinflamatorio en el tratamiento de la infección por coronavirus y otras enfermedades.

Ciencia
05 Jul
Catedrático de RUDN University determinó los beneficios de ingerir magnesio durante el embarazo y trastornos hormonales

Un catedrático de nutrición de RUDN University, junto con colegas de Francia, demostró que ingerir magnesio y vitamina B6 ayuda a combatir las consecuencias de la deficiencia de magnesio durante el embarazo y enfermedades hormonales en las mujeres. En cuatro semanas, los síntomas se vuelven menos pronunciados, la calidad de vida mejora y se reduce el riesgo de aborto espontáneo. Los resultados de la investigación fueron publicados en Scientific Reports.