Hyperdimenziós számítással kereshetők strukturált lekérdezések táblázatos adatokban
A hyperdimenziós számítás (HDC) új keretrendszert kínál a táblázatos adatok lekérdezésére, amely interpretálhatóbb eredményeket ad, mint a korábbi módszerek.
A táblázatos adatok beágyazása (embedding) kulcsfontosságú a nagy adatmennyiségek feldolgozásában, lehetővé téve az adatok profilozását, integrálását, valamint entitások azonosítását és feloldását. A jelenlegi módszerek hátránya, hogy a lekérdezések és a legközelebbi szomszédok közötti hasonlósági értékeknek nincs valódi jelentésük, így nehéz megállapítani, hogy egy talált elem valódi egyezés-e, vagy csak a legkevésbé eltérő elem a találati halmazban.
Hyperdimenziós számítás a táblázatokban
A kutatók a HyperDimensional Computing (HDC) módszert, azon belül is a Holographic Reduced Representations (HRR) modellt vizsgálják, mint új keretrendszert a táblázatos sorok beágyazására. A HDC algebrai tulajdonságait kihasználva zárt alakú, várható hasonlósági értékeket vezetnek le az egyenlőségre és nem-egyenlőségre vonatkozó lekérdezési predikátumokra.
Kapcsolódó: AI-ügynök fejlesztés
Eredmények a valós adatokon
A HDC-t az EmbDI nevű, gráfalapú kiindulási ponttal hasonlították össze két valós adatkészleten. Az eredmények azt mutatják, hogy a HDC minden konfigurációban felveszi a versenyt az EmbDI-vel, vagy túl is teljesíti azt a sorlekérdezésben. A módszer robusztusabban kezeli a nem-egyenlőségre vonatkozó predikátumokat, és elegendő dimenzió mellett tökéletes attribútum-projekciós pontosságot ér el. Emellett a HDC egyedülálló módon képes megbízhatóan azonosítani a nulla találatot eredményező lekérdezéseket a principális küszöbértékek révén, ahogy az arXiv-en megjelent tanulmányban olvasható.
Kapcsolódó: orvosi adatok elemzése