¿Cómo hacer que una red neuronal entienda que varias entradas están relacionadas (con la misma entidad)?

Question

No estoy seguro de si este es el lugar adecuado para preguntar esto, pero aquí va:

A veces, dos o más entradas de una red neuronal pueden relacionarse con una única entidad del "mundo real".

Por ejemplo: Height y weight de una persona para predecir la probabilidad de enfermedad en la población o price y volume de una acción para predecir el mercado.

Cuando un único conjunto de entrenamiento contiene datos sobre varias de estas entidades, ¿cómo podemos hacer que una red neuronal entienda que dos entradas (o más) están relacionadas con la misma entidad?

Entre todas las personas a las que he preguntado, el consenso general parece ser:

• Las redes neuronales no funcionan así
• No es posible
• Esta agrupación de datos no es necesaria
• Se supone que las redes neuronales deben encontrar la relación entre las entradas, no hay que alimentarlas con las relaciones
• El conjunto de datos de entrenamiento debe ser reelaborado / reconfigurado
• Nunca he oído hablar de tal cosa

Así que, obviamente, esto no está en la corriente principal. ¿Alguien ha oído hablar de alguna investigación en este sentido?

P.D. . Si está de acuerdo con la opinión anterior (no se puede / no se debe hacer), por favor, explique por qué.

Answer 1

A veces se calcula el nivel de correlación entre cualquiera de las dos variables de entrada, y luego se particiona la entrada en varios subgrupos independientes antes de comenzar el entrenamiento, como lo que se implementó en este papel .

Pero en general, como dice @alto, al proporcionar esas entradas, las neuronas las tratarán como si correspondieran a la misma entidad. Cada neurona en la capa oculta responderá a diferentes variables en diferente medida, lo que se refleja en su fuerza de conexión con las variables (es decir, los pesos). Y esas respuestas se combinan para generar una respuesta final en la capa de salida (combinación lineal, o más algunas funciones de activación). Durante el proceso de entrenamiento los pesos se ajustan para aprender mejor la salida que se les da. Y finalmente cuando el entrenamiento está hecho, con las fuerzas obtenidas entre cada neurona y cada variable de entrada, la red puede responder a cualquier otra entrada a diferentes niveles, y esa es la parte de predicción.

Obsérvese que las neuronas reducirán las fuerzas de conexión a algunas variables de entrada si aprenden que esas variables no contribuyen mucho a la consecuencia final.