AI dan Masalah-Masalah Sulit Dunia · Ilmu komputer teoretis · arXiv · 2026-10-23
Pembelajaran Mendalam untuk Objek Acak dalam Ruang Metrik: Melampaui Asumsi Manifold
Judul asli: Deep Learning for Random Objects in Metric Spaces: Beyond Manifold Assumptions
Pembelajaran mendalam telah meningkatkan prediksi di banyak tugas, tetapi metode yang berprinsip untuk objek acak dalam ruang metrik non-Euklides, seperti distribusi dan graf, masih langka. Para penulis mengusulkan kerangka kerja pembelajaran mendalam untuk regresi dengan objek acak yang bekerja langsung pada struktur metrik ruang respons, menghindari asumsi manifold atau pembenaman Euklides, serta membuktikan konsistensi statistik dan laju konvergensi. Kerangka ini menunjukkan kinerja prediktif yang kompetitif dalam simulasi dan diterapkan pada dua studi kasus kesehatan digital dengan luaran bernilai distribusi dalam ruang Wasserstein, menggunakan data akselerometri dan pemantauan glukosa berkelanjutan.