Minimum-Distortion Embedding
A beágyazások konkrét numerikus reprezentációkat biztosítanak az egyébként absztrakt elemek számára, amelyeket a későbbi feladatokban használhatnak. Egy biológus például rokon sejtek alcsaládjait keresheti az egyes sejtekhez kapcsolódó beágyazási vektorok klaszterezésével, míg egy gépi tanulással foglalkozó szakember a szavak vektoros reprezentációit használhatja jellemzőként egy osztályozási feladathoz.
Ebben a monográfiában a szerzők bemutatják a hűséges beágyazás általános keretrendszerét, a minimális torzítású beágyazást (MDE), amely általánosítja azokat a gyakori eseteket, amikor az elemek közötti hasonlóságokat súlyokkal vagy távolságokkal írják le. Az MDE keretrendszer egyszerű, de általános. Magába foglalja a specifikus beágyazási módszerek széles skáláját, beleértve a spektrális beágyazást, a főkomponens-elemzést, a többdimenziós skálázást, az euklideszi távolságproblémákat stb.
A szerzők részletes leírást adnak a minimális torzítású beágyazási problémáról, és ismertetik a megoldások megalkotásának elméletét minden szempontból. Emellett részletesen leírják a minimális torzítású beágyazások kiszámítására szolgáló algoritmusokat.
Végül példákat adnak arra, hogyan lehet megközelítőleg megoldani számos MDE-problémát valós adatkészletekkel, többek között képekkel, társszerzői hálózatokkal, az Egyesült Államok megyei demográfiájával, populációgenetikával és egysejtes mRNS-transzkriptomokkal. A kísérő nyílt forráskódú szoftvercsomag, a PyMDE megkönnyíti a szakemberek számára, hogy különböző beágyazásokkal kísérletezzenek a torzítási függvények és a korlátozó készletek különböző választásain keresztül.
A könyvben leírt és illusztrált elmélet és technikák érdekesek lesznek a modern rendszereken dolgozó kutatók és gyakorlati szakemberek számára, akik a legmodernebb mesterséges intelligenciát kívánják alkalmazni.