測量空間依賴性的新方法將更少的數據轉換為更多的數據

機械和航空航天，生物醫學以及土木和城市工程學院教授，??紐約大學丹登工程學院的城市科學與進步中心(CUSP)成員Maurizio Porfiri提出了一種基于網絡和信息理論的新穎解決方案，通過將通常用于時間序列的數學技術應用于空間過程，使“小數據”發揮更大作用。

這項名為“研究小型數據集空間依賴性的信息理論方法”的研究以皇家學會A：數學，物理和工程科學論文集的封面為特色，描述了如何從有限數量的少量屬性樣本中根據位置，觀察者可以對影響進行有力的推斷，包括對共享相似關鍵屬性的中間區域甚至是遠距離區域進行插值。

“大多數時候數據集都很差，”波爾菲里解釋說。他說：“因此，我們采取了一種非常基本的方法，運用信息論來探索時間意義上的影響是否可以擴展到空間，這使我們能夠處理非常小的數據集，只有25到50個觀測值。” “我們正在為數據拍攝一張快照并繪制連接(不是基于因果關系，而是基于各個點之間的交互作用)，以查看系統中是否存在某種形式的基礎集體響應。”

該方法由Porfiri和西班牙卡塔赫納技術大學定量方法，法律和現代語言系的合作者Manuel RuizMarín開發，涉及：

將給定的數據集合并為一小段可允許的符號，類似于機器學習系統可以識別像素數據有限的面部的方式：下巴，che骨，前額等。

應用信息理論原理來創建非參數測試(該測試不假設位置之間相互作用的基礎模型)來繪制事件之間的關聯，并發現如果知道某個特定位置的不確定性，是否可以減少特定位置的不確定性另一個位置的不確定性。

Porfiri解釋說，由于非參數方法沒有為節點之間的影響提供任何底層結構，因此它在如何關聯節點甚至定義鄰居概念方面賦予了靈活性。