A gépi tanulás és az aktív tanulási technikák kombinációja a ritka események előrejelzésére

A szélsőséges események előrejelzése problémás lehet, mivel a számítógépes modellezés gyakran nem elégséges; statisztikailag ezek az események olyan ritkák, hogy egyszerűen nincs elég adat ahhoz, hogy előrejelző modellekkel pontosan meg lehessen jósolni, mikor fognak újra bekövetkezni.

A Brown Egyetem és a Massachusetts Institute of Technology kutatócsoportja szerint talán sikerült megoldaniuk ezt a problémát, és a Nature Computational Science című szaklapban megjelent új tanulmányukban a tudósok leírják, hogyan kombinálták a statisztikai algoritmusokat - amelyeknek kevesebb adatra van szükségük a pontos és hatékony előrejelzésekhez - egy, a Brownon kifejlesztett, hatékony gépi tanulási technikával.

A tudósok betanították, hogy a ritka eseményeket a történelmi feljegyzések hiánya ellenére is megjósolja, és megállapították, hogy ez az új keretrendszer módot adhat az ilyen jellegű számításokhoz hagyományosan szükséges hatalmas adatmennyiségek megkerülésére. Egy aktív tanulásnak nevezett szekvenciális mintavételi technikát alkalmaztak, amely nem csak elemezni tudja a beléjük bevitt adatokat, hanem képes az információkból tanulva új releváns adatpontokat is megjelölni, amelyek ugyanolyan vagy még fontosabbak a kiszámítandó eredmény szempontjából.

A kutatók a választ az aktív tanulásnak nevezett szekvenciális mintavételi technikában találták meg. Az ilyen típusú statisztikai algoritmusok nem csak elemezni tudják a beléjük bevitt adatokat, hanem tanulni is képesek az információkból, hogy új releváns adatpontokat jelöljön meg, amelyek ugyanolyan vagy még fontosabbak a kiszámított eredmény szempontjából.

A kutatók azt is felvázolták, hogyan kellene a tudósoknak a jövőbeni kísérleteket megtervezniük a költségek minimalizálása és az előrejelzés pontosságának növelése érdekében. George Karniadakis, a Brown alkalmazott matematika és mérnöki tudományok professzora, a tanulmány egyik szerzője már most is dolgozik a környezetkutatókkal, hogy a módszert az éghajlati események, köztük a hurrikánok előrejelzésére használják.