创建

登录 ReadmeX

或

了解我们如何处理你的信息: 隐私政策

ReadmeX

陪你读懂 AI 动态

今天,想先了解什么?

选一份动态总结,或直接聊聊你的问题。

社区和关注动态总结只属于你自己。

资讯

几何即信号:AI 应多用切尔诺夫脸

AI 总结

数学家姚志刚撰文回应《哈佛数据科学评论》创刊主编孟晓犁的专栏观点:AI 应更多使用切尔诺夫脸,把高维信息重新组织成人能整体感知、比较和质疑的形式;数据科学则应更多进行“流形拟合”,把数据背后的几何结构本身当作需要估计的信号。文章梳理了从主曲线、principal flow、主子流形到无界噪声下流形拟合、CycleGAN 流形拟合的方法脉络,并以单细胞分析框架 scAMF 和英国生物样本库 212,853 名参与者、251 项核磁共振代谢标志物的研究作为应用示例。

深度见解

它把可解释性讨论从“打开黑箱”转向“先估计带有误差保证的几何信号,再在其上做预测与推理”,为面向科学发现的 AI 提供了一条可检验的方法论思路。

半个世纪前,美国数学家赫尔曼·切尔诺夫把复杂的多维数据画成了一张人脸,即将多维变量映射为面部特征,比如用眼睛大小代表血压,嘴角弧度代表胆固醇,这样便实现了高维数据的可视化,人们可以更直观地理解数据所代表的意义。面对如今百万维度的数据,如何在极其复杂的空间中捕捉真实信号,并为性能日益强大却陷入“黑箱”的AI提供......

本文来自微信公众号: 返朴 ,作者:姚志刚

半个世纪前,美国数学家赫尔曼·切尔诺夫把复杂的多维数据画成了一张人脸,即将多维变量映射为面部特征,比如用眼睛大小代表血压,嘴角弧度代表胆固醇,这样便实现了高维数据的可视化,人们可以更直观地理解数据所代表的意义。面对如今百万维度的数据,如何在极其复杂的空间中捕捉真实信号,并为性能日益强大却陷入“黑箱”的AI提供科学解释?有学者认为,答案又重新指向切尔诺夫脸所蕴含的几何思想——几何不仅意味着数据的可视化,也同样可能是需要被估计的信号本身。而实现这一跨越的方法,正是“流形拟合”。

#manifold fitting#Chernoff faces#principal flow#scAMF#Harvard Data Science Review#Journal of Machine Learning Research#PNAS#UK Biobank#CycleGAN

原文约 25 分钟读完阅读原文
群聊

还没有评论,来说说你的看法。