「限られたトレーニングデータでも、機械学習モデルは信頼性のある結果を生み出すことができる」

機械学習モデルは限られたトレーニングデータでも信頼性のある結果を生み出すことができる

.fav_bar { float:left; border:1px solid #a7b1b5; margin-top:10px; margin-bottom:20px; } .fav_bar span.fav_bar-label { text-align:center; padding:8px 0px 0px 0px; float:left; margin-left:-1px; border-right:1px dotted #a7b1b5; border-left:1px solid #a7b1b5; display:block; width:69px; height:24px; color:#6e7476; font-weight:bold; font-size:12px; text-transform:uppercase; font-family:Arial, Helvetica, sans-serif; } .fav_bar a, #plus-one { float:left; border-right:1px dotted #a7b1b5; display:block; width:36px; height:32px; text-indent:-9999px; } .fav_bar a.fav_print { background:url(‘/images/icons/print.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_print:hover { background:url(‘/images/icons/print.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.mobile-apps { background:url(‘/images/icons/generic.gif’) no-repeat 13px 7px #FFF; background-size: 10px; } .fav_bar a.mobile-apps:hover { background:url(‘/images/icons/generic.gif’) no-repeat 13px 7px #e6e9ea; background-size: 10px} .fav_bar a.fav_de { background: url(/images/icons/de.gif) no-repeat 0 0 #fff } .fav_bar a.fav_de:hover { background: url(/images/icons/de.gif) no-repeat 0 0 #e6e9ea } .fav_bar a.fav_acm_digital { background:url(‘/images/icons/acm_digital_library.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_acm_digital:hover { background:url(‘/images/icons/acm_digital_library.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.fav_pdf { background:url(‘/images/icons/pdf.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_pdf:hover { background:url(‘/images/icons/pdf.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.fav_more .at-icon-wrapper{ height: 33px !important ; width: 35px !important; padding: 0 !important; border-right: none !important; } .a2a_kit { line-height: 24px !important; width: unset !important; height: unset !important; padding: 0 !important; border-right: unset !important; border-left: unset !important; } .fav_bar .a2a_kit a .a2a_svg { margin-left: 7px; margin-top: 4px; padding: unset !important; }

英国のケンブリッジ大学と米国のコーネル大学の研究者は、機械学習モデルが限られたトレーニングデータでも信頼性のある結果を生成できることを実証しました。

研究者は物理学の基本要素とされる偏微分方程式（PDE）に焦点を当てました。

ケンブリッジ大学のNicolas Boulléは、「シンプルなモデルを使用すると、既に知っている物理学をトレーニングデータセットに取り込んで、より高い精度とパフォーマンスを得ることができるかもしれません。」と説明しています。

• 「ベクトル類似検索が消費者支出に与える影響」
• 「GTXとRTX：データサイエンスアプリケーションにおいてどちらが良いですか？」
• 「大規模なラスター人口データの探索」

さまざまな条件下でPDEの解を予測するアルゴリズムを開発する際、研究者はPDEの短距離および長距離の相互作用を利用して数学的な保証をモデルに組み込み、信頼性を確保するために必要なトレーニングデータの量を計算しました。

Boulléは、「信頼性のあるモデルを作成するために必要なデータ量がどれほど少ないかは驚くべきことです。これらの方程式の数学的な性質を利用することで、モデルをより効率的にすることができます。」と述べています。 ケンブリッジ大学（英国）からの記事全文を見る

要約の著作権は2023年SmithBucklin、ワシントンD.C.、米国に帰属します

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!