Що мається на увазі під вивченням векторного квантування?
Навчання векторного квантування (LVQ). контрольований алгоритм навчання, у якому кожен клас вхідних прикладів представлено власним набором опорних векторів. З: Експертні системи з додатками, 2012.
LVQ є тип нейронної мережі, яка фокусується на розподілі простору ознак даних на регіони, що відповідають різним класам. Процес LVQ передбачає призначення вагових коефіцієнтів кожному з вузлів у мережі. Вагові коефіцієнти коригуються на етапі навчання, щоб модель могла класифікувати дані більш ефективно.
Варіант Hebbian навчання, змагальне навчання працює за рахунок підвищення спеціалізації кожного вузла в мережі. Він добре підходить для пошуку кластерів у даних. Моделі та алгоритми, засновані на принципі змагального навчання, включають векторне квантування та карти самоорганізації (карти Кохонена).
Що робить векторне квантування? Векторне квантування виконує такі завдання: Кластеризація: векторне квантування групує схожі точки даних разом на основі метрики подібності, наприклад евклідової відстані або косинусної подібності, щоб створити кластери подібних даних.
Векторне квантування зменшує відбиток пам'яті векторного індексу шляхом стиснення векторних вкладень, і таким чином зменшує витрати на розгортання та покращує швидкість процесу пошуку векторної подібності. Наразі Weaviate пропонує дві методи векторного квантування: двійкове квантування (BQ) Квантування продукту (PQ)
Карти, що самоорганізуються, не мають цільових векторів, оскільки їх мета полягає в тому, щоб розділити вхідні вектори на кластери подібних векторів. Для цих типів мереж немає бажаного виходу. Навчальне векторне квантування (LVQ) — це метод тренування змагальних рівнів під наглядом (з цільовими результатами).