(ط) شبكة المعلومات الخاصة (التحميل المُسْمَّد في الجيران المُسْتَقَدِّد) هي تقنية شعبية لتصوير البيانات العالية الأبعاد ببعدين أو ثلاثة، وهي تساعد على كشف الأنماط والتكتلات التي لا يمكن ملاحظتها بسهولة في البيانات الأصلية، ويمكن فهم المبادئ الرياضية وراء الشبكة أن يحسِّن تطبيقها وتفسيرها.

المفاهيم الأساسية للشبكة

(ه) تُحوِّل الشبكة نقاط البيانات العالية الأبعاد إلى توزيع محتمل يعكس أوجه التشابه بينها، وتسعى بعد ذلك إلى تدنيس منخفض الأبعاد يحافظ على أوجه التشابه هذه بأكبر قدر ممكن، وتنطوي العملية على خطوتين رئيسيتين هما: أوجه التشابه بين الأزواج الحاسوبية والتقليل إلى أدنى حد من التباين بين التوزيعات.

مؤسسات رياضية

وفي الفضاء الرفيع المستوى، يُستدل من التشابه بين نقطتين باستخدام توزيع غاوسي، ويُحتمل أن تكون هذه النقطة j] جارة نقطة i] تُعطى عن طريق:

{(j ⁇ i = frac{exp(- ⁇ x]i -j] {2 / 2sigma i2}}

وهذا يحدد توزيعاً محتملاً على الجيران لكل نقطة، أما الاحتمال المشترك الذي يُعتبر أن:

pij] = frac{p]j ⁇ i + pi ⁇ j]}{2N}

حيث يوجد عدد من النقاط في المكان المنخفض الأبعاد، تُعرض أوجه التشابه باستخدام نسبة الطلاب إلى الحرية

qij = frac{([1] +([F]() - yj]}[1]}{x{x{x}F neq l}[7 ⁇

عملية تحقيق الاستخدام الأمثل

The goal is to find low-dimensional points y]i that minimize the Kullback-Leibler divergence between the high- and low-dimensional distributions:

KL(P ⁇ Q) = sum {i neq j} pij] log frac{p]ij}{qij}]

This is achieved through gradient descent, adjusting the positions of points in the low-dimensional space to reduce divergence. The gradients are computed based on the differences between pij] and(q:5)

خاتمة

وفهم الأساس الالرياضي للشبكة يشمل إدراك مدى التشابه بين النماذج وكيفية مواءمة هذه التشابهات إلى أقصى حد مع الأبعاد، وتساعد هذه المؤسسة على تدوين المعايير وتفسير التصورات تفسيراً فعالاً.