Глава
Unsupervised learning of general-purpose embeddings for code changes
P. 7-12.
Вариационный автокодировщик (ВАК) - вероятностный метод обучения без учителя, использующий глубинное обучение. В статье предлагается устойчивый к шуму метод обучения ВАК, основанный на модификации функции правдоподобия. Предлагаются и анализируются две нижние оценки в качестве целевых функций для ВАК. Эффективность метода продемонстрирована в экспериментах с искусственно добавленными шумовыми объектами.
Книга вклюает в себя работы 16ой международной конференции по Анализу формальных понятий. Книга поделена на 5 секций: теория, правила, методы и приложения, исследование и визуализация
Одним из вариантов более гибкого подхода к анализу надежности цепей поставок нам представляется метод главных компонент (PCA). Учитывая большое количество переменных, описывающих цепь поставок, является сложной задачей - проанализировать в двумерном пространстве структуру переменных. Метод PCA позволяет перейти, в рамках анализа зависимостей переменных, от многомерного пространства к маломерному, оставляя для анализа саму полезную информацию, находящуюся в массиве данных. На основе сгенерированного набора данных, в данной работе демонстрируется возможность применения PCA относительно анализа надежности цепей поставок. Сгенерированный набор данных включает в себя наблюдения по 50-ти цепям поставок, описанный пятью переменными. На основе массива данных, максимизировав линейную комбинацию параметров по каждому наблюдению, мы определили коэффициенты нагрузки и оценки каждой из главных компонент. Расчет этих коэффициентов позволил перейти от многомерного пространства к двумерному. Двумерное отображение всех данных, осями которого являются первые две главные компоненты, объясняя 84% дисперсии, позволило увидеть структуру всех цепей поставок, выделить аутсайдеров и лидеров в данном наборе.