Оптик крутит оправу, ловит фокус, и размытое пятно становится чёткой картинкой. Примерно так же работает алгоритм GOAL: он поворачивает облако данных, сжимает лишние измерения и наводит резкость на то, что действительно важно.
Когда признаков больше, чем наблюдений, стандартные методы напоминают попытку разглядеть лицо через запотевшее стекло: шум забивает сигнал. GOAL действует иначе. Он одновременно поворачивает систему координат, чтобы отбросить пустые направления, разбивает пространство на ячейки и подгоняет классификатор так, чтобы предсказания совпадали с реальными метками. Каждый шаг считается по готовым формулам, без долгой настройки, а сходимость доказана математически.
Секрет в том, что алгоритм не пытается объять необъятное. Поворот пространства вычисляется через сингулярное разложение — тот же приём, которым сжимают фотографии. Принадлежность точек к ячейкам выбирается по ближайшему центру с поправкой на метку, а вероятности меток пересчитываются по частотам. Всё это складывается в единый цикл, где каждый виток делает картинку чуть резче.
На восстановлении сетей активности генов по 182 генам GOAL оказался лучшим в 82.7% из 910 сценариев, потратив 0.019 секунды там, где случайный лес работал 9.84 секунды, а LSTM — 39.88. Разница в скорости позволяет запускать анализ на обычном ноутбуке, а не на кластере.
Оптик возвращает линзу на место: теперь видно не только контуры, но и детали. GOAL делает то же самое с данными, которых мало, а шума много. И если раньше такие задачи требовали дорогих вычислений, то теперь фокус наводится за сотые доли секунды.
Для прогноза Эль-Ниньо использовались 295 200 признаков при всего 720 наблюдениях — это как пытаться угадать мелодию по 720 нотам, когда в партитуре 295 200 строк.