به گفته محققان براون و MIT، دانشمندان می توانند از ترکیبی از یادگیری ماشینی پیشرفته و تکنیک های نمونه برداری متوالی برای پیش بینی رویدادهای شدید بدون نیاز به مجموعه داده های بزرگ استفاده کنند.
به گزارش سینا پرس فارس، در مطالعه‌ای که در Nature Computational Science منتشر شده است، محققان توضیح می‌دهند که چگونه از الگوریتم‌های آماری که به داده‌های کمتری برای پیش‌بینی‌های دقیق نیاز دارند، در ترکیب با تکنیک یادگیری ماشینی قدرتمند که در دانشگاه براون توسعه یافته است، استفاده کردند. این ترکیب به آنها اجازه داد تا سناریوها، احتمالات و حتی جدول زمانی رویدادهای نادر را با وجود کمبود داده های تاریخی پیش بینی کنند.
با انجام این کار، تیم تحقیقاتی دریافت که این چارچوب جدید می‌تواند راهی برای دور زدن نیاز به مقادیر عظیم داده‌ای که به طور سنتی برای این نوع محاسبات مورد نیاز است، فراهم کند، در عوض اساساً چالش بزرگ پیش‌بینی رویدادهای نادر را به یک موضوع با کیفیت تبدیل کند. بیش از مقدار
جورج کارنیاداکیس، استاد ریاضیات کاربردی و مهندسی گفت: «شما باید متوجه باشید که اینها رویدادهای تصادفی هستند. طغیان یک بیماری همه گیر مانند COVID-19، فاجعه زیست محیطی در خلیج مکزیک، یک زلزله، آتش سوزی های عظیم در کالیفرنیا، یک موج 30 متری که یک کشتی را واژگون می کند، اینها رویدادهای نادری هستند و چون نادر هستند، ما چنین نمی کنیم. داده های تاریخی زیادی ندارند. ما نمونه های کافی از گذشته برای پیش بینی بیشتر آنها در آینده نداریم.
محققان پاسخ را در روش نمونه گیری متوالی به نام یادگیری فعال یافتند. این نوع از الگوریتم‌های آماری نه تنها قادر به تجزیه و تحلیل داده‌های ورودی در آنها هستند، بلکه مهم‌تر از آن، می‌توانند از اطلاعات یاد بگیرند تا نقاط داده مرتبط جدیدی را که به یک اندازه یا حتی بیشتر برای نتیجه‌ای که محاسبه می‌شود، برچسب‌گذاری کنند. در ابتدایی ترین سطح، آنها اجازه می دهند کارهای بیشتری با کمتر انجام شود.
این مدل که DeepOnet نام دارد، نوعی شبکه عصبی مصنوعی است که از گره های به هم پیوسته در لایه های متوالی استفاده می کند که تقریباً اتصالات ایجاد شده توسط نورون ها در مغز انسان را تقلید می کند. DeepOnet به عنوان یک عملگر عصبی عمیق شناخته می شود. این شبکه از شبکه های عصبی مصنوعی معمولی پیشرفته تر و قدرتمندتر است زیرا در واقع دو شبکه عصبی در یک است و داده ها را در دو شبکه موازی پردازش می کند. این به آن اجازه می‌دهد تا مجموعه‌های عظیمی از داده‌ها و سناریوها را با سرعتی سرسام‌آور تجزیه و تحلیل کند تا به محض اینکه بفهمد به دنبال چه چیزی است، مجموعه‌های به همان اندازه عظیمی از احتمالات را کشف کند.
گلوگاه این ابزار قدرتمند، به ویژه در رابطه با رویدادهای نادر، این است که اپراتورهای عصبی عمیق برای انجام محاسبات مؤثر و دقیق به هزاران داده نیاز دارند تا آموزش ببینند.
کارنیاداکیس گفت: «هدف این نیست که همه داده‌های ممکن را بگیریم و آنها را در سیستم قرار دهیم، بلکه به دنبال رویدادهایی باشیم که نشانه‌ای از رویدادهای نادر باشند. ما ممکن است نمونه های زیادی از رویداد واقعی نداشته باشیم، اما ممکن است آن پیش سازها را داشته باشیم. از طریق ریاضیات، آنها را شناسایی می کنیم، که همراه با رویدادهای واقعی به ما کمک می کند تا این اپراتور تشنه داده را آموزش دهیم.
در این مقاله، محققان این رویکرد را برای تعیین دقیق پارامترها و دامنه‌های مختلف احتمالات برای سنبله‌های خطرناک در طول یک بیماری همه‌گیر، یافتن و پیش‌بینی امواج سرکش، و تخمین زمانی که یک کشتی به دلیل استرس به نصف می‌شکند، اعمال می‌کنند.
محققان دریافتند روش جدید آنها بهتر از تلاش‌های مدل‌سازی سنتی است و معتقدند چارچوبی را ارائه می‌دهد که می‌تواند به طور موثر انواع رویدادهای نادر را کشف و پیش‌بینی کند.
در این مقاله، تیم تحقیقاتی چگونگی طراحی آزمایش‌های آینده توسط دانشمندان را مشخص می‌کند تا بتوانند هزینه‌ها را به حداقل برسانند و دقت پیش‌بینی را افزایش دهند. به عنوان مثال، کارنیاداکیس در حال حاضر با دانشمندان محیط زیست کار می کند تا از روش جدید برای پیش بینی رویدادهای آب و هوایی مانند طوفان ها استفاده کند.
مترجم: فاطمه خداپرست
منبع: scitechdaily