AI اور دنیا کے مشکل مسائل · نظریاتی کمپیوٹر سائنس · arXiv · 2026-10-23

میٹرک اسپیسز میں بے ترتیب اشیاء کے لیے ڈیپ لرننگ: مینی فولڈ مفروضوں سے آگے

اصل عنوان: Deep Learning for Random Objects in Metric Spaces: Beyond Manifold Assumptions

ڈیپ لرننگ نے کئی کاموں میں پیش گوئی کو بہتر بنایا ہے، لیکن غیر اقلیدسی میٹرک اسپیسز میں بے ترتیب اشیاء، جیسے تقسیمات اور گراف، کے لیے اصولی طریقے کم ہیں۔ مصنفین بے ترتیب اشیاء کے ساتھ ریگریشن کے لیے ایک ڈیپ لرننگ فریم ورک تجویز کرتے ہیں جو جوابی اسپیس کے میٹرک ڈھانچے پر براہِ راست کام کرتا ہے اور مینی فولڈ یا اقلیدسی ایمبیڈنگ کے مفروضوں سے بچتا ہے، اور شماریاتی مطابقت اور رفتارِ ارتکاز بھی ثابت کرتے ہیں۔ یہ سمولیشنز میں مسابقتی پیش گوئی کی کارکردگی دکھاتا ہے اور Wasserstein اسپیسز میں تقسیم کی قدر والے نتائج کے ساتھ دو ڈیجیٹل صحت کے کیس اسٹڈیز پر لاگو کیا گیا، جن میں ایکسیلرومیٹری اور مسلسل گلوکوز مانیٹرنگ کا ڈیٹا استعمال ہوا۔

اصل تحریر پڑھیں ↗

تمام آئٹمز →