新算法支持对称数据的高效机器学习

快速阅读: 据《麻省理工学院》称，麻省理工团队开发新机器学习方法，高效处理对称数据，提升模型准确性与效率，应用于材料、天文等领域。研究发表于ICML。

据麻省理工学院研究人员近期发表的一项新研究显示，7月18日，美国波士顿，麻省理工学院的研究团队提出了一种新的机器学习方法，能够在计算效率和数据需求方面高效地处理对称性问题。这一突破性成果解决了长期以来困扰科研界的难题，即如何训练机器学习模型以准确理解和处理对称数据。

对称性在自然界中普遍存在，无论是分子结构、物理现象还是图像识别，都能找到对称性的影子。然而，传统的机器学习模型在处理这类数据时往往表现不佳，因为它们无法自动识别和利用对称性。麻省理工学院的研究团队通过结合代数和几何的方法，设计了一种新的算法，该算法不仅提高了模型的准确性，还显著减少了所需的数据量，使模型更加高效和实用。

“这些对称性很重要，因为它们是自然向我们传递的信息，我们应该在我们的机器学习模型中加以考虑。我们现在证明了以高效的方式进行对称数据的机器学习是可行的。”麻省理工学院研究生、该研究的共同第一作者Behrooz Tahmasebi表示。

这项研究不仅有助于开发出更强大的机器学习模型，还能广泛应用于新材料发现、天文学异常识别以及复杂气候模式的解析等领域。研究团队成员还包括麻省理工学院研究生Ashkan Soleymani，电气工程与计算机科学Dugald C. Jackson教授Patrick Jaillet，以及电气工程与计算机科学副教授Stefanie Jegelka，后者同时是数据、系统和社会研究所（IDSS）和计算机科学与人工智能实验室（CSAIL）的成员。

该研究成果在国际机器学习会议（ICML）上发表，受到了学术界的广泛关注。通过这一理论评估，研究人员不仅设计出了高效的算法，还为进一步探索图神经网络（GNN）的工作机制提供了新的思路。“一旦我们了解得更清楚，我们就可以设计出更具解释性、更稳健、更高效的神经网络架构。”Soleymani补充道。

这项研究得到了新加坡国家研究基金会、新加坡DSO国家实验室、美国海军研究办公室、美国国家科学基金会和亚历山大·冯·洪堡教授职位的资助。

(以上内容均由Ai生成)