Genom att använda en ungefärlig snarare än explicit "kärna" -funktion för att extrahera relationer i mycket stora datamängder, KAUST-forskare har kunnat dramatiskt accelerera hastigheten för maskininlärning. Tillvägagångssättet lovar att avsevärt förbättra hastigheten för artificiell intelligens (AI) under big datas era.

När AI utsätts för en stor okänd datamängd, den behöver analysera data och utveckla en modell eller funktion som beskriver sambanden i uppsättningen. Beräkningen av denna funktion, eller kärna, är en beräkningsintensiv uppgift som ökar i komplexitet kubiskt (till tre styrka) med storleken på datamängden. I en tid präglad av big data och ökat beroende av AI för analys, detta utgör ett verkligt problem där kärnval kan bli opraktiskt tidskrävande.

Med överinseende av Xin Gao, Lizhong Ding och hans kollegor har arbetat på metoder för att påskynda valet av kärnor med hjälp av statistik.

"Beräkningskomplexiteten för exakt kärnval är vanligtvis kubisk med antalet sampel, ", säger Ding. "Den här typen av kubisk skalning är oöverkomlig för big data. Vi har istället föreslagit en approximationsmetod för val av kärnor, vilket avsevärt förbättrar effektiviteten av kärnval utan att offra förutsägbar prestanda. "

Den sanna eller korrekta kärnan ger en ordagrant beskrivning av relationer i datamängden. Vad forskarna fann är att statistik kan användas för att härleda en ungefärlig kärna som är nästan lika bra som den korrekta versionen, men kan beräknas många gånger snabbare, skala linjärt, snarare än kubiskt, med storleken på datamängden.

För att utveckla tillvägagångssättet, laget var tvungen att konstruera specifikt utformade kärnmatriser, eller matematiska arrayer, som kan beräknas snabbt. De var också tvungna att fastställa reglerna och teoretiska gränser för valet av den ungefärliga kärnan som fortfarande skulle garantera inlärningsprestanda.

"Den största utmaningen var att vi behövde designa nya algoritmer som uppfyller dessa två punkter samtidigt, säger Ding.

Genom att kombinera en process av feluppskattning och matematisk approximation, forskarna kunde bevisa att deras ungefärliga kärna förblir överensstämmande med den exakta kärnan och visade sedan dess prestanda i verkliga exempel.

"Vi har visat att ungefärliga metoder, till exempel vårt datorramverk, tillhandahålla tillräcklig noggrannhet för att lösa en kärnbaserad inlärningsmetod, utan den opraktiska beräkningsbördan med exakta metoder, " säger Ding. "Detta ger en effektiv och effektiv lösning för problem inom datautvinning och bioinformatik som kräver skalbarhet."