Está bien, lo intentaré (existe la posibilidad de que haya olvidado mencionar algo importante, así que siéntase libre de agregar más)
1) Consideraciones computacionales:
a) Puede almacenar matrices dispersas de manera eficiente, y para algunos métodos debe tener toda su matriz de datos en la memoria activa)
b) Dado que implica que hay muchas multiplicaciones por cero, disminuye la cantidad de cálculos que tiene que realizar (ya que multiplicar por cero es un cero de todos modos)
2) Consideraciones relacionadas con los resultados:
- Estoy aprendiendo aprendizaje profundo, ¿por qué es útil la matriz y qué es el cálculo?
- ¿Cuáles son algunas optativas de matemáticas avanzadas útiles para un estudiante universitario en CS (junior) que se inclina hacia el aprendizaje automático para la escuela de posgrado?
- Cómo decidir el tema de mi interés de investigación para obtener un doctorado en visión artificial y aprendizaje automático
- ¿Cómo evalúa el rendimiento de un algoritmo de aprendizaje no supervisado?
- ¿Cuál es el progreso en visión artificial?
a) Todo se correlaciona con todo debido al ruido, dependencias distantes, etc. Estas dependencias molestas, suponiendo que haya muchas de ellas, pueden abrumar las dependencias verdaderas y tendrán una influencia indebida en el resultado. – Puede pensar en las restricciones de escasez como una forma de seleccionar funciones para sus ejemplos.
PD: No siempre significa que las representaciones dispersas son intrínsecamente mejores que las no dispersas. De hecho, he visto un artículo reciente sobre representaciones complejas útiles