Quali linee guida dovrebbero essere seguite per l'utilizzo di reti neurali con input sparsi

Ho input estremamente sparsi, ad esempio posizioni di determinate funzionalità in un'immagine di input. Inoltre, ogni funzione può avere più rilevamenti (non sono sicuro che ciò abbia un impatto sul design del sistema). Questo lo presenterò come 'immagine binaria' del canale k con pixel ON che rappresentano la presenza di quella caratteristica e viceversa. Possiamo vedere che un tale input è destinato a essere molto scarso.

Quindi, ci sono delle raccomandazioni quando si usano dati sparsi con reti neurali, in particolare dati che rappresentano rilevamenti / posizioni?

neural-networks deep-learning sparse

— user3246971
fonte

Questa è una domanda interessante se hai trovato una risposta alla tua domanda, considera di rispondere alla tua domanda. Altrimenti, ti preghiamo di rivedere la tua domanda con informazioni più dettagliate sul problema che stai cercando di risolvere. Inoltre, la densità di rado della matrice.

— NULL

Puoi provare a utilizzare gli incorporamenti di funzionalità per ridurre la dimensione dello spazio di input. Ordinamento dell'approccio word2vec in NLP, sembra che potrebbe applicarsi nel tuo caso poiché le tue funzionalità sono binarie (On / Off).

— Miguel
fonte