Muchos bits, mucho error, muy códigos, ¡guau!
¡Es un tema candente en el aprendizaje a gran escala, la codificación de fuente y la detección comprimida!
Aunque la binarización de vectores es un tema bastante interesante, en la codificación ML / Source, el enfoque es en gran medida utilizar una distancia de hamming rápida / distancias aproximadas a través de una LUT que calcular la métrica L2. En otras palabras, trata de preservar el vecindario de la siguiente manera:
- ¿Cuáles son las condiciones de Dirichlet en una serie de Fourier? ¿Son necesarias las condiciones de Dirichlet?
- ¿Qué pasaría si las máquinas escribieran algunas de las preguntas sobre Quora?
- ¿Existe un libro de aprendizaje automático que ofrece una guía paso a paso con números reales o ejemplos numéricos en algoritmos de aprendizaje automático?
- ¿Qué es mejor para la dirección de investigación de visión por computadora, redes neuronales o modelos gráficos probabilísticos?
- ¿Es importante aprender Python para el aprendizaje automático? He aprendido R. ¿Cómo puedo aprender el aprendizaje automático en R?
if \ math x_2 = vecino más cercano (\ math x_1) entonces \ math x_2 ~ vecino más cercano (función de cuantización (\ math x_1))
Como se señala a continuación: Hashing espectral hace exactamente eso, pero no garantiza la minimización del error de reconstrucción cuando los puntos de datos se asignan de nuevo desde su representación de espacio de Hamming a L2.
Eche un vistazo a los siguientes temas:
1. Hashing sensible a la localidad.
2. Máquinas restringidas de Boltzman. [Variante de redes neuronales]
3. Hashing espectral.
4. Incrustación de Hamming
5. Cuantización del producto.
6. K-medios cartesianos.
¡Que las partes estén a tu favor!
Algo que te dejaría boquiabierto: ¡los bits se pueden compartir entre las dimensiones de los vectores! ¡Número fraccional de bits por dimensión!
