Esto se refiere a:
en particular donde dice "¿Random Jungle -- abandonado?"
Antecedentes:
Descubrí que hay una versión de grafo dirigido de un random forest - es de otra manera igual a un random forest pero el aprendiz base/débil es un grafo dirigido acíclico. (1)
Es lo suficientemente relevante como para que Microsoft lo haya implementado en su "hoja de trucos de aprendizaje automático de Azure" como una herramienta para clasificación binaria "rápida, precisa, con una huella de memoria pequeña" - afirman que se compara favorablemente con los ensambles CART en términos de uso de memoria con una precisión equivalente. (2)
También descubrí que, aproximadamente hace 3 años (hasta el 2016), se creó un paquete para R llamado "Rjungle" para esto. (3)
Cuando voy a la documentación de ayuda para el paquete, no hay ejemplos. Parece que no hay una guía. Cuando busco ejemplos de uso en la documentación de ayuda, parece que no hay ninguno. ("?rjungle", "vignette(Rjungle)")
Hay un manual en línea para otro software de Rjungle. Tiene algo sobre "cómo interfaz R con él" pero no es igual a una biblioteca real. Sospecho que esto es el "núcleo" detrás de "Rjungle". (4)
Preguntas (sobre el algoritmo/método en general):
- ¿Por qué Microsoft considera que esta "selva aleatoria" es una herramienta equivalente a un random forest habiendo prácticamente no tenido desarrollo en los últimos 3 años? ¿Es este un caso de una herramienta con un defecto fatal que Microsoft pasó por alto o está utilizando en el espectro de publicidad engañosa, o es este un caso de una herramienta excelente que la comunidad general de aprendizaje automático pasó por alto?
- ¿Cumple con sus afirmaciones de igual precisión con menos memoria? ¿Cómo se compara con un referente funcional como (pero no limitado a) el "randomForest" de Breiman en algo como (pero no limitado a) esto: (blog, github)? ¿Existen comparaciones publicadas contra ensambles basados en CART, en comparación con ensambles basados en DAG?
Información adicional:
-
Microsoft clasifica el uso principal de las random jungles como "visión por computadora" en "información relacionada" aquí (enlace).
-
Hay dos documentos publicados que aparecen en una búsqueda de Microsoft, dos de 2013 y uno de 2016. Los autores en común incluyen a "Jamie Shotton" y "Antonio Criminisi". Jamie es el primer autor en los documentos de 2013, pero el quinto autor en el documento de 2016. Antonio es el último autor en ambos documentos.
-
El documento de 2016 (enlace) trata sobre la fusión de CNN con ensambles de CART/DAG. Afirman tener un costo computacional inferior a la mitad y un quinto de la cantidad de parámetros, en comparación con el modelo de referencia basado en CNN (VGG11). También afirman una velocidad de cálculo que es 5 veces más rápida y una cantidad de parámetros que es 6 veces más pequeña que NiN para la misma precisión.
