Aprendiendo variedades de datos de procesos dinámicos
Autores: Schoeneman, Frank; Chandola, Varun; Napp, Nils; Wodo, Olga; Zola, Jaroslaw
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Aprendiendo variedades de datos de procesos dinámicos
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Software
Palabras clave
Datos científicos
Interacciones no lineales
Conjuntos de datos de alta dimensionalidad
Correlaciones temporales
Métodos de reducción de dimensionalidad
Entropía-Isomap
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 33
Citaciones: Sin citaciones
Los datos científicos, generados por modelos computacionales o experimentos, son típicamente resultados de interacciones no lineales entre varios procesos latentes. Tales conjuntos de datos suelen ser de alta dimensionalidad y presentan fuertes correlaciones temporales. Una mejor comprensión de los procesos subyacentes requiere mapear dichos datos a un espacio de baja dimensionalidad donde la dinámica de los procesos latentes sea evidente.
Descripción
Los datos científicos, generados por modelos computacionales o experimentos, son típicamente resultados de interacciones no lineales entre varios procesos latentes. Tales conjuntos de datos suelen ser de alta dimensionalidad y presentan fuertes correlaciones temporales. Una mejor comprensión de los procesos subyacentes requiere mapear dichos datos a un espacio de baja dimensionalidad donde la dinámica de los procesos latentes sea evidente.