مطالعات نشان می دهد که روشهای یادگیری ماشینی که به طور گسترده استفاده می شوند همانطور که ادعا شده عمل نمی کنند

مطالعات نشان می دهد که روشهای یادگیری ماشینی که به طور گسترده استفاده می شوند همانطور که ادعا شده عمل نمی کنند

مدل ها و الگوریتم های تجزیه و تحلیل شبکه های پیچیده به طور گسترده ای در تحقیقات استفاده می شوند و جامعه را از طریق برنامه های کاربردی خود در شبکه های اجتماعی آنلاین ، موتورهای جستجو و سیستم های پیشنهادی تحت تأثیر قرار می دهد. با توجه به یک مطالعه جدید ، با این حال ، یک روش الگوریتمی به طور گسترده مورد استفاده برای مدل سازی این شبکه ها اساساً دارای نقص است ، و در گرفتن ویژگی های مهم شبکه های پیچیده در دنیای واقعی ناکام است.

C. "Sesh" Seshadhri ، استادیار علوم کامپیوتر و مهندسی کامپیوتر در دانشکده Baskin گفت: "این طور نیست که این تکنیک ها به شما زباله های مطلق می دهند. آنها احتمالاً اطلاعاتی در آنها دارند ، اما اطلاعاتی در حد بسیاری از افراد نیستند." مهندسی در UC سانتا کروز.

Seshadhri اولین نویسنده مقاله ای در مورد یافته های جدید منتشر شده در 2 مارس در مجموعه مقالات آکادمی ملی علوم است . این مطالعه تکنیک های معروف به "تعبیه کم کاری بعدی" را که معمولاً به عنوان ورودی مدل های یادگیری ماشین مورد استفاده قرار می گیرند ، ارزیابی کرد . این یک منطقه فعال در زمینه تحقیق است و روش های جدید جاسازی با سرعتی سریع توسعه می یابد. اما سشادری و همکارانش می گویند که همه این روشها کاستی های مشابهی دارند.

برای توضیح اینکه چرا ، مشهدری از مثال یک شبکه اجتماعی ، یک نوع آشنا از شبکه پیچیده استفاده کرده است. بسیاری از شرکت ها یادگیری ماشینی را به داده های شبکه های اجتماعی اعمال می کنند تا پیش بینی هایی در مورد رفتار افراد ، توصیه هایی برای کاربران و غیره ایجاد کنند. تکنیک های جاسازی اساساً موقعیت یک شخص را در یک شبکه اجتماعی به مجموعه ای از مختصات برای یک نقطه در یک فضای هندسی تبدیل می کنند و لیستی از اعداد را برای هر شخص تهیه می کنند که می تواند به یک الگوریتم وصل شود.

"این مهم است زیرا چیزی که انتزاعی است مانند موقعیت یک شخص در یک شبکه اجتماعی" ، می تواند به لیست مشخصی از اعداد تبدیل شود. نکته مهم دیگر این است که شما می خواهید این مورد را به یک فضای کم بعدی تبدیل کنید ، به این ترتیب لیست شماره های نماینده هر فرد نسبتاً کوچک است. "

پس از انجام این تبدیل ، سیستم شبکه اجتماعی واقعی را نادیده گرفته و بر اساس روابط بین نقاط در فضا پیش بینی می کند. به عنوان مثال ، اگر بسیاری از افراد نزدیک به شما در آن مکان در حال خرید کالای خاصی هستند ، سیستم ممکن است پیش بینی کند که احتمالاً شما می خواهید همان محصول را بخرید.