Datos Abiertos (Open data)

Machine learning models can produce reliable results even with limited training data

Machine learning models can produce reliable results even with limited training data

Investigadores de la Universidad de Cambridge y de la Universidad de Cornell han demostrado que los modelos de aprendizaje automático pueden obtener resultados fiables para ecuaciones diferenciales parciales utilizando datos significativamente limitados. Este hallazgo desafía la suposición tradicional de que se necesitan conjuntos de datos extensos y anotados por humanos para lograr un entrenamiento preciso. Al aprovechar la estructura inherente de las ecuaciones físicas, específicamente en lo que respecta a la difusión, el estudio revela que las garantías matemáticas pueden integrarse en los algoritmos. Este enfoque permite construir modelos robustos con un número mínimo de ejemplos de entrenamiento, reduciendo drásticamente el tiempo y el costo asociados con la recopilación y anotación de datos. Las implicaciones para los datos abiertos y la computación científica son profundas, ya que esta eficiencia permite simulaciones más rápidas y económicas para campos complejos como la ingeniería y la modelización climática. Al explotar las interacciones a corto y largo plazo dentro de las ecuaciones, los investigadores desarrollaron un algoritmo que mantiene una alta precisión sin requerir grandes volúmenes de datos. Esto sugiere que, para problemas basados en la física, las leyes matemáticas subyacentes pueden sustituir a los datos a gran escala, ofreciendo una vía hacia métodos computacionales más sostenibles y accesibles. Además, este trabajo ayuda a desmitificar la naturaleza de "caja negra" de muchos sistemas de aprendizaje automático al proporcionar interpretabilidad a través de estructuras matemáticas explícitas. Destaca cómo la integración de principios físicos conocidos en el diseño de la inteligencia artificial conduce a modelos más transparentes y confiables. Esta relevancia para los datos abiertos radica en su potencial para estandarizar y compartir modelos eficientes y fundamentados matemáticamente entre las comunidades científicas, fomentando una mayor reproducibilidad y colaboración en la resolución de fenómenos del mundo natural.

Fuente: sciencedaily.com
Publicado el 2023-09-22

Noticias relacionadas

« Maine's Workforce Participation Rate Remained Below National Average in August: MDOL - The Maine Wire
Las ventas del sector servicios suben un 1,5% y las de la industria caen un 5,3% en julio  »