J'ai des entrées extrêmement clairsemées, par exemple l'emplacement de certaines fonctions dans une image d'entrée. De plus, chaque fonctionnalité peut avoir plusieurs détections (je ne sais pas si cela aura une incidence sur la conception du système). Ce que je présenterai comme une «image binaire» de canal k avec des pixels ON représentant la présence de cette caractéristique, et vice versa. Nous pouvons voir qu'une telle entrée est forcément très clairsemée.
Alors, existe-t-il des recommandations lors de l'utilisation de données clairsemées avec des réseaux neuronaux, en particulier des données représentatives des détections / emplacements?
neural-networks
deep-learning
sparse
user3246971
la source
la source
Réponses:
Vous pouvez essayer d'utiliser des incorporations de fonctionnalités pour réduire la dimension de l'espace d'entrée. Sorte de l'approche word2vec en NLP, il semble qu'elle pourrait s'appliquer dans votre cas car vos fonctionnalités sont binaires (On / Off).
la source