Podemos ignorar a natureza composicional dos dados composicionais usando abordagens de deep learning?

Deve-se ter cuidado para não aplicar simplesmente métodos de análise de dados multivariados a dados composicionais. Por exemplo, pode-se mostrar que as correlações tendem a ser negativas, e quase todos os métodos estatísticos resultam em estimativas tendenciosas quando aplicados a dados composicionais. Uma maneira de contornar isso é analisar os dados com métodos da análise de dados composicionais, ou seja, realizando uma análise de log-razão. Esta contribuição foca em configurações onde apenas o erro de previsão e classificação é importante, ao invés da interpretação dos resultados. Neste contexto, é bem conhecido que os erros de classificação e previsão são menores com uma abordagem de log-razão usando métodos tradicionais de machine learning. No entanto, isso também é verdadeiro ao treinar uma rede neural que pode aprender as relações internas entre partes de um todo, mesmo sem representar os dados em log-razões? Esta contribuição fornece uma indicação sobre este assunto utilizando um conjunto de dados real de medições químicas em cervejas.