Quelles directives doivent être suivies pour utiliser les réseaux de neurones avec des entrées clairsemées

9

J'ai des entrées extrêmement clairsemées, par exemple l'emplacement de certaines fonctions dans une image d'entrée. De plus, chaque fonctionnalité peut avoir plusieurs détections (je ne sais pas si cela aura une incidence sur la conception du système). Ce que je présenterai comme une «image binaire» de canal k avec des pixels ON représentant la présence de cette caractéristique, et vice versa. Nous pouvons voir qu'une telle entrée est forcément très clairsemée.

Alors, existe-t-il des recommandations lors de l'utilisation de données clairsemées avec des réseaux neuronaux, en particulier des données représentatives des détections / emplacements?

neural-networks  deep-learning  sparse 
— user3246971
source
C'est une question intéressante. Si vous avez trouvé une réponse à votre question, pensez à répondre à votre question. Sinon, veuillez réviser votre question avec des informations plus détaillées sur le problème que vous essayez de résoudre. Aussi, la densité de la matrice clairsemée.
— NULL

Réponses:

2

Vous pouvez essayer d'utiliser des incorporations de fonctionnalités pour réduire la dimension de l'espace d'entrée. Sorte de l'approche word2vec en NLP, il semble qu'elle pourrait s'appliquer dans votre cas car vos fonctionnalités sont binaires (On / Off).

— Miguel
source
En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.