Gerando um conjunto de dados de alta dimensão onde o vizinho mais próximo se torna sem sentido

7

No artigo " Quando o 'vizinho mais próximo' é significativo? ", Lemos que,

Mostramos que, sob certas condições amplas (em termos de distribuição de dados e consultas ou carga de trabalho), à medida que a dimensionalidade aumenta, a distância do vizinho mais próximo se aproxima da distância do vizinho mais distante. Em outras palavras, o contraste nas distâncias para diferentes pontos de dados se torna inexistente. As condições que identificamos nas quais isso acontece são muito mais amplas do que as dimensões independentes e identicamente distribuídas (IID) pressupõem que outro trabalho assume.

Minha pergunta é: como devo gerar um conjunto de dados que produz esse efeito?

Criei três pontos, cada um com 1000 dimensões, com números aleatórios que variam de 0 a 255 para cada dimensão, mas os pontos criam distâncias diferentes e não reproduzem o que é mencionado acima. Parece que mudar as dimensões (por exemplo, 10 ou 100 ou 1000 dimensões) e os intervalos (por exemplo [0,1]) não mudam nada. Ainda obtenho distâncias diferentes, o que não deve ser problema para, por exemplo, algoritmos de agrupamento!

Edit: Eu tentei mais amostras, com base nos meus experimentos, as distâncias entre os pontos não convergem para nenhum número; pelo contrário, as distâncias máxima e mínima entre os pontos ficam mais aparentes. Isso também contraria o que está escrito no primeiro post de Precisa de mais intuição para a maldição da dimensionalidade e também muitos outros lugares que reivindicam a mesma coisa como https://en.wikipedia.org/wiki/Clustering_high-dimensional_data#Problems . Eu ainda apreciaria se alguém pudesse me mostrar com um pedaço de código ou conjunto de dados real que esse efeito existe em cenários práticos.

machine-learning clustering dataset k-nearest-neighbour high-dimensional U66
fonte
100 dimensões já contariam com dimensões muito altas (comparadas às aplicações do mundo real de 2, 3 ou talvez 4 dimensões para as quais as distâncias euclidianas são originalmente usadas). Não espere muita mudança entre 100 e 1000. As distâncias são diferentes, ok, mas em quanto?
David Ernst
A distância é diferente em termos significativos, mesmo para 1 milhão de dimensões. Agora que penso nisso, talvez minha geração de números aleatórios seja o problema. No momento, estou simplesmente gerando números aleatórios em um intervalo específico e dedicando-os a cada dimensão, mas acho que uma abordagem mais precisa é usar algo como distribuição normal multivariada para produzir números aleatórios.
U66
Usei distribuição normal multivariada do apache comum e ainda não consigo replicar o efeito !!!
U66

Respostas:

4

Leia alguns dos artigos mais recentes de acompanhamento, como:

Houle, ME, Kriegel, HP, Kröger, P., Schubert, E., & Zimek, A. (2010, junho). As distâncias entre vizinhos podem derrotar a maldição da dimensionalidade? . Na Conferência Internacional sobre Gerenciamento de Banco de Dados Científico e Estatístico (pp. 482-500). Springer Berlin Heidelberg.

e

Zimek, A., Schubert, E., & Kriegel, HP (2012). Uma pesquisa sobre detecção externa não supervisionada em dados numéricos de alta dimensão. Análise Estatística e Mineração de Dados, 5 (5), 363-387.

Se bem me lembro, eles mostram as propriedades do efeito teórico da concentração à distância (o que é comprovado) e as limitações pelas quais a realidade pode se comportar muito diferente. Se esses artigos não forem úteis, faça ping em mim e eu verifico novamente as referências (apenas digitei o que lembrei no Google Scholar, não baixei os trabalhos novamente).

Cuidado que a "maldição" não diz que a diferença de distâncias para os vizinhos mais próximos e mais distantes se aproxima de 0; nem que as distâncias convergissem para algum número. mas antes que a diferença relativa em relação ao valor absoluto se torne pequena. Desvios aleatórios podem fazer com que os vizinhos sejam classificados incorretamente.

Nesta equação, não ignore a fração, o valor esperado e : d→∞

limd→∞E(distmax⁡(d)−distmin⁡(d)distmin⁡(d))→0
Possui QUIT - Anony-Mousse
fonte
Olá, obrigado pelas informações, a principal questão ainda permanece sem resposta, porém, de que maneira podemos gerar uma amostra que se assemelha a esse efeito? Além disso, não entendi bem essa frase "diferença relativa em relação ao valor absoluto", você pode explicar mais?
U66
hmmm ... acho que poderia replicar o efeito com sucesso, o ponto está na divisão (por exemplo, é a distância relativa de (max-min) ao ponto mínimo e não as distâncias simples). À medida que aumentava as dimensões, a distância relativa fica menor. Isso vale para a origem e também quaisquer outros pontos no conjunto de dados.
U66
"Distância relativa" refere-se exatamente a esta divisão. É bastante claro que os valores absolutos não convergem para uma constante.
parou - anony-Mousse
2

Também não tinha ouvido falar disso antes, então estou um pouco na defensiva, pois vi que conjuntos de dados reais e sintéticos em grandes dimensões realmente não suportam a alegação do artigo em questão.

Como resultado, o que eu sugeriria, como primeira tentativa suja, desajeitada e talvez não boa, é gerar uma esfera em uma dimensão de sua escolha (eu faço assim ) e, em seguida, colocar uma consulta no centro de a esfera.

Nesse caso, cada ponto fica na mesma distância do ponto de consulta, portanto, o vizinho mais próximo tem uma distância igual ao vizinho mais distante.

É claro que isso é independente da dimensão, mas foi o que surgiu depois de examinar as figuras do artigo. Deve ser o suficiente para você ser visto, mas certamente, melhores conjuntos de dados podem ser gerados, se houver.

Editar sobre:

distâncias para cada ponto ficou maior com mais dimensões !!!!

isso é esperado, pois quanto maior o espaço dimensional, menor o espaço, maior a distância. Além disso, isso é esperado, se você pensar, por exemplo, na distância euclidiana, que fica mais alta à medida que as dimensões crescem.

gsamaras
fonte