En el campo de la clasificación de series temporales, los conjuntos de redes neuronales han demostrado ser herramientas efectivas para mejorar el rendimiento de los modelos. Sin embargo, la mayoría de los métodos existentes entrenan múltiples modelos con arquitecturas y configuraciones idénticas, lo que limita la diversidad de características aprendidas por cada uno.
En Q2BSTUDIO, empresa especializada en el desarrollo de software a medida y tecnología, comprendemos la importancia de fomentar la diversidad en los conjuntos de redes neuronales para mejorar la eficiencia y escalabilidad de los modelos. Es por eso que hemos desarrollado un marco de aprendizaje de conjuntos impulsado por la diversidad, que promueve explícitamente la variabilidad de características entre los miembros de la red neuronal.
Nuestro enfoque se basa en una estrategia de aprendizaje decorrelacionada utilizando una pérdida de ortogonalidad de características aplicada directamente a las representaciones de características aprendidas. Esto garantiza que cada modelo en el conjunto capture información complementaria en lugar de redundante, lo que a su vez mejora el rendimiento de la clasificación de series temporales.
Al evaluar nuestro marco en 128 conjuntos de datos del archivo UCR, hemos demostrado que alcanza un rendimiento de vanguardia con menos modelos, lo que lo convierte en una opción eficiente y escalable en comparación con los enfoques de conjuntos de redes neuronales convencionales.
Si tu empresa busca implementar soluciones de inteligencia artificial para potenciar sus procesos y decisiones, en Q2BSTUDIO te ofrecemos servicios de desarrollo de aplicaciones a medida, IA para empresas, ciberseguridad, servicios cloud AWS y Azure, así como servicios de inteligencia de negocio con Power BI. Contáctanos para conocer más sobre cómo nuestra tecnología puede impulsar el crecimiento de tu negocio.
Descubre más sobre nuestros servicios de inteligencia artificial para empresas
