{"id":23071,"date":"2024-02-08T03:00:59","date_gmt":"2024-02-08T03:00:59","guid":{"rendered":"https:\/\/domosistemas.com\/?p=23071"},"modified":"2024-02-08T03:00:59","modified_gmt":"2024-02-08T03:00:59","slug":"el-mit-estudia-la-simetria-de-datos-para-mejorar-el-entrenamiento-de-las-redes-neuronales","status":"publish","type":"post","link":"https:\/\/domosistemas.com\/?p=23071","title":{"rendered":"El MIT estudia la simetr\u00eda de datos para mejorar el entrenamiento de las redes neuronales"},"content":{"rendered":"
\n

Un grupo de investigadores del Instituto Tecnol\u00f3gico de Massachussets (MIT<\/a>) se ha centrado en estudiar la simetr\u00eda dentro de los conjuntos de datos con el fin de disminuir la cantidad de informaci\u00f3n necesaria para entrenar las redes neuronales. Para desarrollar esta idea, los investigadores aplicaron la ley de Weyl, la cual proporciona una f\u00f3rmula que mide la complejidad de la informaci\u00f3n o datos espectrales contenidos dentro de las frecuencias fundamentales de un parche de tambor o cuerda de guitarra.<\/p>\n

\"MIT
Seg\u00fan la investigaci\u00f3n, la simetr\u00eda de un conjunto de datos podr\u00eda reducir la complejidad de las tareas de aprendizaje autom\u00e1tico.<\/figcaption><\/figure>\n

Hasta ahora se hab\u00eda aplicado esta ley a situaciones f\u00edsicas, como aquellas relacionadas con las vibraciones de una cuerda o el espectro de radiaci\u00f3n electromagn\u00e9tica (cuerpo negro) emitida por un objeto calentado. Sin embargo, los investigadores del MIT cre\u00edan que una versi\u00f3n personalizada de esta ley de Weyl podr\u00eda ayudar a resolver los problemas del aprendizaje autom\u00e1tico.<\/p>\n

El MIT ha modificado la ley de Weyl para que la simetr\u00eda pueda tenerse en cuenta en la evaluaci\u00f3n de la complejidad de un conjunto de datos. La investigaci\u00f3n demuestra que los modelos que satisfacen las simetr\u00edas del problema no s\u00f3lo son correctos, sino que tambi\u00e9n pueden producir predicciones con errores menores, utilizando una peque\u00f1a cantidad de puntos de entrenamiento. Esto es especialmente importante en \u00e1mbitos cient\u00edficos, como la qu\u00edmica computacional, donde los datos de entrenamiento pueden ser escasos.<\/p>\n

El objetivo de todo el ejercicio es explotar las simetr\u00edas intr\u00ednsecas de un conjunto de datos para reducir la complejidad de las tareas de aprendizaje autom\u00e1tico. Esto puede conducir a una reducci\u00f3n en la cantidad de datos necesarios para el aprendizaje.<\/p>\n

Reducci\u00f3n de la muestra y complejidad en la tarea de aprendizaje<\/h2>\n

Hay dos formas de lograr una ganancia o beneficio aprovechando las simetr\u00edas presentes. Por un lado, tiene que ver con el tama\u00f1o de la muestra a analizar, al ser m\u00e1s reducida agilizar\u00eda el proceso de aprendizaje. Por otro lado, es posible lograr un tipo diferente de ganancia (exponencial) que puede obtenerse mediante simetr\u00edas que operan en muchas dimensiones. Esta ventaja est\u00e1 relacionada con la noci\u00f3n de que la complejidad de una tarea de aprendizaje crece exponencialmente con la dimensionalidad del espacio de datos.<\/p>\n

En base a esto, los investigadores han proporcionado una f\u00f3rmula que predice la ganancia que se puede obtener de una simetr\u00eda particular en una aplicaci\u00f3n determinada. Una virtud de esta f\u00f3rmula es su generalidad, ya que funciona para cualquier simetr\u00eda y cualquier espacio de entrada. Adem\u00e1s, funciona no s\u00f3lo para simetr\u00edas que se conocen hoy en d\u00eda, sino que tambi\u00e9n podr\u00eda aplicarse en el futuro a simetr\u00edas que a\u00fan est\u00e1n por descubrir.<\/p>\n

La entrada El MIT estudia la simetr\u00eda de datos para mejorar el entrenamiento de las redes neuronales<\/a> aparece primero en CASADOMO<\/a>.<\/p>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Un grupo de investigadores del Instituto Tecnol\u00f3gico de Massachussets (MIT) se ha centrado en estudiar la simetr\u00eda dentro de los conjuntos de datos con el fin de disminuir la cantidad de informaci\u00f3n necesaria para entrenar las redes neuronales. Para desarrollar esta idea, los investigadores aplicaron la ley de Weyl, la cual proporciona una f\u00f3rmula que … Sigue leyendo El MIT estudia la simetr\u00eda de datos para mejorar el entrenamiento de las redes neuronales<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-23071","post","type-post","status-publish","format-standard","hentry","category-casadomo-com"],"_links":{"self":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts\/23071","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=23071"}],"version-history":[{"count":0,"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts\/23071\/revisions"}],"wp:attachment":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=23071"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=23071"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=23071"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}