НУЛЕВОЕ ОБУЧЕНИЕ

ВВЕДЕНИЕ

В машинном обучении машины становятся умнее, когда им предоставляется правильно размеченный набор данных во время периода обучения. Что происходит, когда машины пытаются классифицировать экземпляры, классы которых не были замечены в период обучения? Это привело к появлению нового метода обучения под названием Обучение с нулевым выстрелом, где экземпляры можно классифицировать, даже если классы ранее не встречались.

ПРОЦЕСС НУЛЕВОГО ОБУЧЕНИЯ

На этапе обучения фиксируются знания об атрибутах, а на этапе вывода эти знания используются для категоризации экземпляров среди нового набора классов.

КАК РАБОТАЕТ НУЛЕВОЕ ОБУЧЕНИЕ?

Давайте рассмотрим пример: у ребенка не возникнет проблем с узнаванием леопарда, если он раньше видел гепарда и где-то читал, что леопард похож на гепарда, но вместо сплошных пятен у него розеточные отметины.

В случае машин распознавание Zero-Shot Learning опирается на существование помеченного обучающего набора видимых классов и знания о том, как каждый невидимый класс семантически связан с видимыми классами. Эти знания передаются от видимых классов к невидимым классам через многомерное векторное пространство, называемое семантическим пространством.

Точно так же вот еще один пример того, как работает обучение с нулевым выстрелом. Он извлекает характеристики атрибутов (знаний) из видимых классов, таких как тигр, лошадь, панда, во время периода обучения и прогнозирует зебру, которая является невидимым классом, с помощью характеристик атрибутов (знаний) из видимых классов.

ЗАЧЕМ НАМ НУЖНО НУЛЕВОЕ ОБУЧЕНИЕ?

Увеличение категорий доменов вызывает трудности при сборе данных всех категорий. Обучение с нулевым выстрелом направлено на предсказание большого количества невидимых классов, используя только помеченные данные из небольшого набора классов и внешние знания об отношениях классов. Следовательно, невидимые классы также могут быть предсказаны без использования большого количества данных из всех категорий.

Метод Zero-shot Learning используется, когда модели машинного обучения классифицируют данные с меньшим количеством помеченных примеров или даже без них, таким образом используя обучение с учителем без дополнительных обучающих данных.

ВЫВОД

Zero-Shot Learning может сократить время обучения и помочь системам быть точными при столкновении с неожиданными данными. Это может быть реализовано во многих приложениях, где есть неточные результаты из-за отсутствия данных.

Спасибо за чтение. Я надеюсь, что это полезно.