Latent utrymme
Ett latent utrymme , även känt som ett latent funktionsutrymme eller inbäddningsutrymme , är en inbäddning av en uppsättning objekt inom ett grenrör där objekt som liknar varandra är placerade närmare varandra i det latenta utrymmet. Position inom det latenta utrymmet kan ses som definierat av en uppsättning latenta variabler som framkommer från likheterna från objekten.
I de flesta fall väljs dimensionaliteten för det latenta utrymmet till att vara lägre än dimensionaliteten för funktionsutrymmet från vilket datapunkterna hämtas, vilket gör konstruktionen av ett latent utrymme till ett exempel på dimensionalitetsreduktion , vilket också kan ses som en form av datakomprimering . Latenta utrymmen anpassas vanligtvis via maskininlärning , och de kan sedan användas som funktionsutrymmen i maskininlärningsmodeller, inklusive klassificerare och andra övervakade prediktorer.
Tolkningen av maskininlärningsmodellers latenta utrymmen är ett aktivt studieområde, men tolkning av latenta utrymmen är svår att uppnå. På grund av maskininlärningsmodellernas black-box-karaktär kan det latenta utrymmet vara helt ointuitivt. Dessutom kan det latenta utrymmet vara högdimensionellt, komplext och olinjärt, vilket kan öka svårigheten att tolka. Vissa visualiseringstekniker har utvecklats för att koppla det latenta rummet till den visuella världen, men det finns ofta ingen direkt koppling mellan tolkningen av det latenta rummet och själva modellen. Sådana tekniker inkluderar t-fördelad stokastisk granninbäddning (t-SNE), där det latenta utrymmet mappas till två dimensioner för visualisering. Latenta rymdavstånd saknar fysiska enheter, så tolkningen av dessa avstånd kan bero på applikationen.
Ett antal algoritmer finns för att skapa latenta rymdinbäddningar givet en uppsättning dataobjekt och en likhetsfunktion .
Se även