अर्ध-पर्यवेक्षित शिक्षण
अर्ध-पर्यवेक्षित शिक्षण लेबल वाले डेटा की थोड़ी मात्रा और बिना लेबल वाले डेटा के एक बड़े पूल पर प्रशिक्षित होता है।
सिंहावलोकन
जब लेबल दुर्लभ या महंगे होते हैं, लेकिन कच्चा डेटा प्रचुर मात्रा में होता है, तो यह एक अच्छी स्थिति में पहुंच जाता है, जो अक्सर लेबलिंग प्रयास के एक अंश पर पूरी तरह से पर्यवेक्षित सटीकता से मेल खाता है।
गहरा गोता
कई वास्तविक सेटिंग्स में आप ढेर सारा डेटा एकत्र कर सकते हैं लेकिन केवल एक छोटे टुकड़े को लेबल करने का जोखिम उठा सकते हैं। अर्ध-पर्यवेक्षित शिक्षण बिना लेबल वाले डेटा को भी मॉडल का मार्गदर्शन करने की अनुमति देकर अंतर को पाटता है। दो मूल विचार इसे शक्ति प्रदान करते हैं। सबसे पहले, छद्म-लेबलिंग (स्वयं-प्रशिक्षण): मॉडल बिना लेबल वाले उदाहरणों को लेबल करता है जिसके बारे में वह सबसे अधिक आश्वस्त है और फिर उन पर फिर से प्रशिक्षण देता है जैसे कि वे अनुमान सच थे। दूसरा, स्थिरता नियमितीकरण: मॉडल को थोड़ा परेशान या संवर्धित होने के बाद भी उदाहरण के लिए वही भविष्यवाणी देनी चाहिए, ताकि लेबल रहित डेटा स्थिर, समझदार आउटपुट लागू कर सके। फिक्समैच जैसी विधियाँ दोनों को जोड़ती हैं। इन सबके पीछे 'क्लस्टर धारणा' है, यह विचार कि फीचर स्पेस में एक साथ क्लस्टर किए गए बिंदु संभवतः एक लेबल साझा करते हैं, इसलिए बिना लेबल वाले बिंदु निर्णय सीमा को तेज करते हैं।
तकनीकी अंतर्दृष्टि
फिक्समैच एक साफ़ उदाहरण है. प्रत्येक बिना लेबल वाली छवि के लिए यह एक कमजोर संवर्धित संस्करण और एक दृढ़ता से संवर्धित संस्करण बनाता है। यह कमज़ोर व्यक्ति पर भविष्यवाणी करता है, और यदि आत्मविश्वास एक सीमा पार कर जाता है, तो वह भविष्यवाणी एक छद्म लेबल बन जाती है। फिर मॉडल को प्रशिक्षित किया जाता है ताकि दृढ़ता से संवर्धित संस्करण पर इसकी भविष्यवाणी उस छद्म लेबल से मेल खाए। यह छद्म-लेबलिंग को स्थिरता नियमितीकरण के साथ जोड़ता है। आत्मविश्वास की सीमा मायने रखती है: बहुत कम आत्मविश्वास वाले अनुमानों को स्वीकार करें और गलत छद्म-लेबल खुद को मजबूत करते हैं, एक विफलता मोड जिसे पुष्टिकरण पूर्वाग्रह कहा जाता है।
सामरिक प्रभाव
स्पष्ट निर्णय
यह आपको स्पष्ट तकनीकी दावों को मार्केटिंग भाषा से अलग करने में मदद करता है।
लागत और बजट
आप पैसा या समय खर्च करने से पहले बेहतर कार्यान्वयन संबंधी प्रश्न पूछ सकते हैं।
टीम और वर्कफ़्लो
साझा समझ वाली टीमें बेहतर उत्पाद, नीति और सीखने के निर्णय लेती हैं।
अर्ध-पर्यवेक्षित शिक्षण का भविष्य
अर्ध-पर्यवेक्षित शिक्षण तेजी से स्व-पर्यवेक्षित पूर्व-प्रशिक्षण के साथ मिश्रित होता जा रहा है: बिना लेबल वाले डेटा पर पूर्व-प्रशिक्षण, फिर कुछ लेबलों के साथ अर्ध-पर्यवेक्षित शिक्षण। यह संयोजन कटौती करता रहता है कि उन क्षेत्रों में कितनी एनोटेशन की आवश्यकता है जहां लेबलिंग के लिए विशेषज्ञों की आवश्यकता होती है, जैसे कि मेडिकल इमेजिंग। अविश्वसनीय छद्म-लेबलों को फ़िल्टर करने के लिए मजबूत अनिश्चितता अनुमान की अपेक्षा करें, सक्रिय-शिक्षण लूप में व्यापक उपयोग जो मनुष्यों को केवल सबसे जानकारीपूर्ण उदाहरणों को लेबल करने के लिए कहता है, और जहां भी डेटा प्रचुर मात्रा में है, लेकिन विशेषज्ञ एनोटेशन बाधा है, उसे अपनाना जारी रखें।
वास्तविक विश्व कार्यान्वयन
ट्यूमर का पता लगाने के लिए कुछ सौ रेडियोलॉजिस्ट-लेबल स्कैन और हजारों गैर-लेबल वाले स्कैन पर मेडिकल-इमेजिंग मॉडल का प्रशिक्षण
एक छोटे लेबल वाले सेट और लाखों बिना लेबल वाले दस्तावेज़ों से एक वेब-पेज या ईमेल क्लासिफायरियर बनाना
सीमित प्रतिलेखित ऑडियो और बड़ी मात्रा में अप्रतिलेखित रिकॉर्डिंग का उपयोग करके वाक् पहचान में सुधार करना
ई-कॉमर्स कैटलॉग में उत्पादों को टैग करना जहां छवियों के केवल एक छोटे से हिस्से में मानव-सत्यापित श्रेणियां होती हैं
जोखिम और रेलिंग
अलग-अलग टीमें एक ही शब्द का अलग-अलग इस्तेमाल कर सकती हैं, इसलिए दायरे को पहले ही परिभाषित कर लें।
बेंचमार्क मजबूत दिख सकते हैं जबकि वास्तविक दुनिया का प्रदर्शन असमान है।
डेटा गुणवत्ता और मूल्यांकन योजनाओं की अनदेखी अक्सर नाजुक परिणाम पैदा करती है।
कार्यान्वयन रोडमैप
आपको जिस परिणाम की आवश्यकता है उसकी सरल भाषा में परिभाषा से शुरुआत करें।
परीक्षण से पहले एक सफलता मीट्रिक और एक विफलता स्थिति चुनें।
प्रतिनिधि डेटा के साथ एक छोटा पायलट चलाएँ, न कि एक परिष्कृत डेमो सेट।
दस्तावेज़ जहां अर्ध-पर्यवेक्षित शिक्षण मदद करता है और जहां सरल तरीके बेहतर हैं।
अन्वेषण करते रहें
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Semi-Supervised Learning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
अगली गाइड
अर्ध-पर्यवेक्षित शिक्षण में निरंतरता नियमितीकरण
अक्सर पूछे जाने वाले प्रश्नों
अर्ध-पर्यवेक्षित शिक्षण क्या है?
अर्ध-पर्यवेक्षित शिक्षण लेबल वाले डेटा की थोड़ी मात्रा और बिना लेबल वाले डेटा के एक बड़े पूल पर प्रशिक्षित होता है। जब लेबल दुर्लभ या महंगे होते हैं, लेकिन कच्चा डेटा प्रचुर मात्रा में होता है, तो यह एक अच्छी स्थिति में पहुंच जाता है, जो अक्सर लेबलिंग प्रयास के एक अंश पर पूरी तरह से पर्यवेक्षित सटीकता से मेल खाता है।
'छद्म-लेबलिंग' (स्व-प्रशिक्षण) क्या है?
मॉडल उच्च-विश्वास वाले गैर-लेबल वाले बिंदुओं पर लेबल निर्दिष्ट करता है और अपने लेबल सेट का विस्तार करते हुए उन्हें प्रशिक्षण डेटा के रूप में मानता है।
'क्लस्टर धारणा' क्या है जो कई अर्ध-पर्यवेक्षित तरीकों को रेखांकित करती है?
यह मानता है कि निर्णय सीमाएँ कम घनत्व वाले क्षेत्रों में होती हैं, इसलिए एक साथ समूहीकृत बिंदु संभवतः एक ही वर्ग के होते हैं।
फिक्समैच दो मुख्य विचारों को कैसे जोड़ता है?
फिक्समैच एक विश्वसनीय कमजोर-संवर्द्धन भविष्यवाणी से एक छद्म-लेबल उत्पन्न करता है, फिर उसी इनपुट के एक मजबूत संवर्द्धन पर स्थिरता लागू करता है।
छद्म-लेबलिंग में विफलता मोड के रूप में 'पुष्टि पूर्वाग्रह' क्या है?
यदि गलत छद्म-लेबल स्वीकार कर लिए जाते हैं, तो मॉडल अपनी गलतियों को प्रशिक्षित करता है और उन्हें सुदृढ़ करता है, यही कारण है कि आत्मविश्वास सीमा का उपयोग किया जाता है।