Seminārā Kanādā attīsta topoloģiskās datu analīzes algoritmus, liekot pamatus MI uzlabošanai nosakot dažādus priekšvēža stāvokļus

“Pasākuma mērķis bija risināt izaicinājumus topoloģiskajā datu analīzē, kas ir būtiska organizatorisko struktūru kvantitatīvai aprakstīšanai lielos datu kopumos. Tradicionālās metodes bieži balstās uz skaitliskiem kopsavilkumiem, kas ierobežo datu īpašību izpēti, piemēram, "caurumu" dažādās dimensijās. Šajā pasākumā īpaša uzmanība tika pievērsta homoloģiskajiem ciklu pārstāvjiem(cycle representatives), kas nodrošina daudz efektīvāku veidu, kā attēlot šīs īpašības datu kontekstā,” uzsvēra LU KPMI pētnieks Jānis Lazovskis.
Jaunākie sasniegumi matemātiskajā topoloģijā pierādījuši ciklu pārstāvju lietderību tādās jomās kā materiālu zinātne, neirozinātne un bioķīmija, kā arī jaunizveidotajos aprēķinu rīkos pastāvīgajā homoloģiskajā algebrā.
“Tam var būt dažādi pielietojumi. Piemēram, mākslīgā intelekta modeļi vēža un citu patologiju atklāšanai lielos vai saliktos attēlos, tiek visbiežāk apmācīti un darbojas "lokāli": skatās uz attēla daļām atsevišķi, tad tās saliek kopā. Turpretim topoloģija noķer "globālas" īpašības, kas ir nemainīgas, ja kaut kas mazs "lokāli" mainās. Topoloģiskā datu analīze ir metožu kopums, kas ļauj realizēt globālus secinājumus izmantojot lokālu informāciju. Tā ļoti specifiskā metode, pie kuras es tagad strādāju un ko prezentēju konferencēs, ļauj "lokālo uz globālo" pieeju realizēt soli pa solim, virzoties no lokāla skatījuma uz globālu, palielinot un pēc vajadzības samazinot reģionu, kas tiek analizēts, soli pa solim arī atjaunot ievadīto datu topoloģisko informāciju. Virsmērķis ir nodrošināt globāli nemainīgu, lokāli salīdzināmu secinājumu no mašīnmācīšanās algoritmiem izmantojot topoloģiju,” rezumēja Jānis Lazovskis.

Pētniecību atbalsta 1.1.1.9. pasākuma "Pēcdoktorantūras pētījumi" pētniecības pieteikums Nr.1.1.1.9/LZP/1/24/125 “Efektīvi topoloģiski invarianti reprezentāciju atklāšanai attēlu diagnostikā.”