AI এবং বিশ্বের কঠিন সমস্যাগুলো · তাত্ত্বিক কম্পিউটার বিজ্ঞান · arXiv · 2026-10-23
মেট্রিক স্পেসে র্যান্ডম অবজেক্টের জন্য ডিপ লার্নিং: ম্যানিফোল্ড অনুমানের বাইরে
মূল শিরোনাম: Deep Learning for Random Objects in Metric Spaces: Beyond Manifold Assumptions
ডিপ লার্নিং বহু কাজে পূর্বাভাস উন্নত করেছে, কিন্তু বণ্টন ও গ্রাফের মতো অ-ইউক্লিডীয় মেট্রিক স্পেসে র্যান্ডম অবজেক্টের জন্য নীতিনিষ্ঠ পদ্ধতি বিরল। লেখকেরা র্যান্ডম অবজেক্ট রিগ্রেশনের জন্য একটি ডিপ লার্নিং কাঠামো প্রস্তাব করেছেন, যা ম্যানিফোল্ড বা ইউক্লিডীয় এমবেডিং অনুমান এড়িয়ে সরাসরি রেসপন্স স্পেসের মেট্রিক কাঠামোর ওপর কাজ করে, এবং পরিসংখ্যানিক সামঞ্জস্য ও অভিসৃতির হার প্রতিষ্ঠা করেছেন। সিমুলেশনে এটি প্রতিযোগিতামূলক পূর্বাভাস-দক্ষতা দেখিয়েছে এবং অ্যাকসেলেরোমেট্রি ও নিরবচ্ছিন্ন গ্লুকোজ পর্যবেক্ষণের ডেটা ব্যবহার করে Wasserstein স্পেসে বণ্টন-মানের ফলাফলসহ দুটি ডিজিটাল স্বাস্থ্য কেস স্টাডিতে প্রয়োগ করা হয়েছে।