Sparse Grids

Algoritmi

Dentro l'innovazione
di più

XELOPES

prudsys embedded
XELOPES Biblioteca

Ricerca & Sviluppo

Unità di ricerca progresso
Comitato scientifico
Brevetti

Sparse Grids | Analisi sequenza e di carrello | Reinforcement Learning | Algoritmi per la pianificazione dinamica e l'ottimizzazione dei prezzi

Funzione

Il metodo Sparse grids è considerato una delle tecniche più ambiziose per la soluzione di problemi di classificazione e regressione. E' la prima procedura universale multivariata linearmente scalabile sul numero di set di dati che può quindi essere usata per quantità estremamente grandi di dati.

L'idea alla base delle Sparse grids è la soluzione di problemi di classificazione e regressione dalle loro equazioni operatore (per la maggior parte sotto forma di differenziali) in cui lo spazio etichetta è discretato. Questa formula è stata usata per decadi per risolvere problemi di fisica, in particolare nella forma di analisi di finiti elementi, ma fino ad oggi ha fallito nell'ambito dell'estrazione dati a causa della complessità dei calcoli necessari per confrontarsi con quantità esponenzialmente crescenti di dati. (ad esempio l'effetto Hughes).

Vantaggi

Le Sparse grids possono effettuare analisi di classificazione e regressione su numeri virtualmente infiniti di set di dati. Il metodo è linearmente scalato ai numeri di set di dati ed è quindi ideale per i nostri scopi.
Un vantaggio ulteriore è che le Sparse grids permettono la rappresentazione spettrale della funzione di regressione. In questo modo può essere interpretato ed analizzato, compresso e raffinato con i comprovati metodi di processo del segnale.
In fine la formula universale attraverso le Sparse grids può essere usata su formule operatore completamente nuove. Mentre i modelli esistenti sono pensati per equazioni operatore (SVM su regolarizzazione di reti) le Sparse grids sono un metodo di approssimazione generale per integrali e differenziali di grandi dimensioni e possono quindi essere usate per le più ampie classi di equazioni operatore. L'integrazione esplicita di conoscenza a priori è quindi possibile. Questo apre possibilità completamente nuove nell'estrazione di dati.

Dr. Michael Thess, Direttore del settore Ricerca e Sviluppo presso prudsys AG:

"Il passaggio a metodi di alta discretizzazione in generale e il suo predecessore - il metodo Sparse grids - hanno permesso una rivoluzione nel data mining. Dietro a questo c'è una idea semplice ma fondamentale: la sostituzione degli spazi funzione infinita con spazi finitamente dimensionati significa che per la prima volta siamo in grado di gestire la maggior parte delle sfide pratiche senza problemi. Questo è paragonabile al passaggio dalla soluzione analitica di equazioni differenziali a quella numerica che ha avuto luogo negli anni cinquanta o al passaggio da analogico a digitale in informatica che ha avuto luogo negli anni sessanta. Il metodo delle Sparse grids non solo aumenta la velocità di calcolo, ma porta anche con sé un nuovo standard di qualità nel data mining".

Partner

prudsys AG sviluppa tecnologia a Sparse grids per applicazioni di data mining, in collaborazione con il Prof. Michael Griebel (University of Bonn) e il Dr. Jochen Garcke (Berlin Technical University).