في عالم البيانات الضخمة، يواجه الباحثون والمهندسون تحديات كبيرة عند التعامل مع مجموعات بيانات تحتوي على عينات مرتبطة. هذه الروابط يمكن أن تؤدي إلى تقسيمات غير مستقلة بين مجموعات التدريب والاختبار، مما ينتج عنه تقديرات متفائلة أكثر مما ينبغي لجودة النموذج. لكن مع إطلاق نموذج ReLaG، يمكننا القول اتجهنا نحو مستقبل أكثر دقة!

ReLaG هو إطار عمل مبتكر يتسم بالمرونة في نماذج البيانات، حيث يستخدم عملية متسلسلة تصنيفية تتضمن متغيرات كامنة لرسم العلاقات بين العينات. وبفضل استخدام رسومات القرب وكشف المجتمعات، يستطيع ReLaG تحديد مجموعات من العينات المرتبطة بشكل فعال، مما ينتج عنه تقسيمات مستقلة لمجموعات التدريب والاختبار.

تجربتنا عبر مجموعات البيانات الجزيئية والبروتينية أظهرت أن ReLaG يعادل نماذج أخرى تعرف العلاقة، لكنه يتفوق بشكل ملحوظ في قابلية التوسع، مما يتيح تقسيمات لمجموعات بيانات كانت تعتبر كبيرة جدًا في السابق.

كما نقدم إجراءً خالياً من التسميات لضبط دقة التقسيم وفقاً للبيانات الإنتاجية، مشدداً على أهمية هذا النموذج في محاكاة ظروف النشر الحقيقية. هذه المجموعات المستنتجة تعطي تقديرًا منخفض التكلفة لحجم البيانات الفعال، مما يسمح بإمكانية التوسع بشكل يتماشى مع تنوع البيانات المطلوبة.

ReLaG متاح كمصدر مفتوح - يمكنك تثبيته باستخدام الأمر pip install relag واستكشاف إمكانياته المتعددة!