طبقات إضافية! الانحدار من الطرف إلى الطرف وتقدير عدم اليقين على البيانات الجدولية باستخدام التعلم العميق

تحاول هذه الورقة تحليل كفاءة التعلم العميق في معالجة البيانات الجدولية. يُعتقد أن أشجار القرار وتركيباتها (المجموعات) هي الطريقة المُتفوّقة في هذا المجال، بينما ينبغي أن يقتصر الشبكات العصبية العميقة على مجالات مثل الرؤية الحاسوبية، إلخ. ولكن الشبكة العصبية العميقة هي إطار لبناء تمثيلات تسلسلية تعتمد على التدرج، وهذه الخاصية الأساسية ينبغي أن تكون قادرة على توفير أفضل معالجة للبيانات الهيكلية العامة (الجدولية)، وليس فقط مصفوفات الصور أو طيف الصوت. يُنظر إلى هذه المشكلة من منظور مسار توقع الطقس في تحدي Yandex Shifts (أي مهمة توقع الطقس في Yandex Shifts). يُعدّ هذا المهمة نسخة معدلة من مشكلة الانحدار على البيانات الجدولية الكلاسيكية، كما أنها مرتبطة بمشكلة مهمة أخرى: التعميم والشكوك في التعلم الآلي. تُقدّم هذه الورقة خوارزمية من الطرف إلى الطرف لحل مشكلة الانحدار مع الشكوك على البيانات الجدولية، وتعتمد على دمج أربع أفكار رئيسية: 1) تجميع عميق للشبكات العصبية ذات التطبيع الذاتي، 2) الانحدار كتقدير للبارامترات لتوزيع خطأ الهدف الغاوسي، 3) التعلم متعدد المهام التسلسلي، و4) معالجة بسيطة للبيانات. وشكلت ثلاث تطبيقات معدلة للخوارزمية المقترحة المراكز الثلاثة الأولى في قائمة التصنيف (الليدر بورد) لتحدي Yandex Shifts Weather. ترى هذه الورقة أن هذا النجاح ناتج عن الخصائص الجوهرية لخوارزمية التعلم العميق، وتحاول إثبات ذلك.