manifold-hypotese
Antagelsen om at højdimensionelle data i virkeligheden ligger på eller nær en laveredimensionel mangfoldighed (manifold) indlejret i det højdimensionelle rum.
Kort fortalt
Kort fortalt: At selvom data har mange dimensioner, kan de ofte forklares med få underliggende variable, som danner en sammenhængende geometrisk struktur.
- Kategori
- begreb
- Niveau
- øvet
- Udtale
- /maniˈfʌld hyˈpoːtɛsə/
Betydninger
1- 1
Den grundlæggende antagelse i maskinlæring om at naturlige data, som billeder, lyd og tekst, har en underliggende lavdimensionel struktur på trods af høj observeret dimensionalitet.
- Manifold-hypotesen forklarer, hvorfor autoencodere kan lære kompakte repræsentationer af billeder. — Deep Learning, Goodfellow et al., 2016
- Generative adversarial networks (GAN'er) udnytter manifold-hypotesen til at generere realistiske data fra latent rum. — Forskningsartikel, 2014
Hvornår bruges det
Manifold-hypotesen bruges til at begrunde brugen af dimensionsreduktion, repræsentationslæring og deep learning. Den forklarer, hvorfor neurale netværk kan generalisere fra begrænsede data, og hvorfor autoencodere og generative modeller fungerer.
Oprindelse
Sammensat af 'manifold' (mangfoldighed), et matematisk begreb for et topologisk rum, der lokalt ligner euklidisk rum, og 'hypotese' (antagelse).
Kilder
2- Nonlinear Dimensionality Reduction by Locally Linear Embedding
- Deep Learning (Goodfellow, Bengio, Courville)