پیش بینی رویداد های فاجعه بار با یاری یادگیری ماشینی - وبلاگ اشاره

به گزارش وبلاگ اشاره، دیپ وانت به عنوان اپراتور عصبی عمیق شناخته شده که پیشرفته تر و قوی تر از شبکه های عصبی مصنوعی است؛ چرا که در واقع دو شبکه عصبی در یک شبکه است که داده ها را در دو شبکه موازی پردازش می نماید. این مساله به این مدل اجازه می دهد مجموعه های بزرگ داده را با سرعت بالا بررسی کند؛ البته پس از آنکه یاد گرفت در پی چه چیزی می شود.

دانشمندان می توانند با استفاده از ترکیبی از یادگیری ماشینی پیشرفته و تکنیک های نمونه گیری متوالی، رویداد های شدید را بدون احتیاج به داده های گسترده پیش بینی نمایند.

به نقل از سای تک دیلی، زمانی که پیش بینی فجایع ناشی از رویداد های بزرگ مانند زمین لرزه و پاندمی مطرح می شود، مدل سازی محاسباتی با یک چالش بزرگ رو به رو می شود.

به لحاظ آماری، این رویداد ها نادر محسوب می شوند و از این رو داده های کافی درباره آن ها وجود ندارد که بتوان از آن ها در مدل های پیش بینی نماینده استفاده کرد.

با این حال محققان دانشگاه براون و موسسه فناوری ماساچوست می گویند لازم نیست کار به این صورت انجام شود. این محققان در مطالعه ای که در نشریه ارتباطات طبیعت منتشر شده است شرح می دهند که چگونه از الگوریتم های آماری استفاده نموده اند که برای پیش بینی صحیح احتیاجمند داده های کمتری هستند.

این الگوریتم های آماری در ترکیب با یک تکنیک نیرومند یادگیری ماشینی به کار گرفته شدند. این ترکیب به محققان اجازه داد تا باوجود نداشتن داده های تاریخی بتوانند سناریو ها، احتمالات و حتی چارچوب های زمانی رویداد های نادر را پیش بینی نمایند.

این تیم تحقیقاتی دریافت این چارچوب تازه می تواند راهی برای دور زدن احتیاج به حجم بزرگ داده های مورد احتیاج برای این قبیل محاسبات ارائه کند. از این منظر، کار پیش بینی رویداد های نادر از یک کار کمّی به یک کار کیفی تبدیل می شود.

این محققان برای غلبه بر چالش کمبود داده های موجود، از یک تکنیک نمونه گیری متوالی (sequential sampling technique) موسوم به یادگیری فعال استفاده کردند.

این نوع از الگوریتم های آماری نه تنها قادر به بررسی داده های ورودی به آن ها هستند، بلکه مهمتر اینکه می توانند از این اطلاعات ورودی بیاموزند و داده های تازه را برچسب گذاری نمایند و در سطح بنیادی اجازه می دهند با (داده) کمتر کار بیشتری انجام شود.

این مدل یادگیری ماشینی موسوم به دیپ وانت (DeepOnet) نوعی از شبکه عصبی مصنوعی است که از منحنی های (nodes) به هم پیوسته در لایه های پیاپی مشابه پیوستگی نورون ها در مغز انسان استفاده می نماید.

دیپ وانت به عنوان اپراتور عصبی عمیق شناخته شده که پیشرفته تر و قوی تر از شبکه های عصبی مصنوعی است؛ چرا که در واقع دو شبکه عصبی در یک شبکه است که داده ها را در دو شبکه موازی پردازش می نماید. این مساله به این مدل اجازه می دهد مجموعه های بزرگ داده را با سرعت بالا بررسی کند؛ البته پس از آنکه یاد گرفت در پی چه چیزی می شود.

این محققان دریافتند مدل ابداعی آن ها عملکرد بهتری نسبت به بسیاری از مدل های سنتی قبلی داشته است و اعتقاد دارند این مدل چارچوبی ارائه می دهد که می تواند همه انواع رویداد های نادر را بطور موثر کشف و پیش بینی کند. این تیم تحقیقاتی در مقاله منتشر شده شرح می دهد که دانشمندان چگونه باید تجربیات و آزمایش های آینده را طراحی نمایند تا بتوانند هزینه ها را به حداقل رسانده و صحت و دقت پیش بینی را افزایش دهند.