Resumen

La identificación de modelos escasos mediante datos es especialmente complicada si las dinámicas buscadas residen en un espacio de alta dimensionalidad. Esto suele implicar la necesidad de una gran cantidad de datos, lo cual es inviable en configuraciones de alta dimensionalidad. Este fenómeno bien conocido, denominado como la maldición de la dimensionalidad, se supera aquí mediante el uso de representaciones separadas. Presentamos una técnica basada en los mismos principios de la Descomposición Generalizada Apropiada que permite la identificación de leyes complejas en el límite de pocos datos. Proporcionamos ejemplos sobre el rendimiento de la técnica en hasta diez dimensiones.

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Identificación de modelos dispersos; Datos; Espacio de alta dimensionalidad; Maldición de la dimensionalidad; Representaciones separadas; Descomposición Generalizada Apropiada
• Keywords:Sparse model identification; Data; High dimensional space; Curse of dimensionality; Separate representations; Proper Generalized Decomposition