LegközelebbKövetkező útmutató
Félig felügyelt tanulás
Alapok
Műszaki ÚTMUTATÓ
A konzisztencia-szabályozás megtanítja a modellt, hogy ugyanazt a választ adja, ha egy címkézetlen bemenetet kis, címkemegőrző módon zavarnak meg.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Lehetővé teszi, hogy tanuljon hatalmas halom címkézetlen adatból, drámai módon csökkentve, hogy hány kézzel címkézett példára van szüksége.
Az adatok címkézése drága; a címkézetlen adatok szinte ingyenesek. A konzisztencia-regularizálás egy egyszerű feltételezést használ ki: ha egy bemenetet enyhén megtol (kivágás, forgatás, zaj hozzáadása, szinonimák felcserélése) anélkül, hogy megváltoztatná a valódi jelentését, a modell előrejelzése nem változhat. A képzés során ugyanazt a címkézetlen példát táplálja át két kiterjesztett útvonalon, és veszteséget ad hozzá, ami bünteti a két kimenet közötti különbséget. Ez a döntési határt a klaszterek közötti kis sűrűségű régiókba tolja, így nem hasít át hasonló pontokból álló sűrű csoportokat. Az olyan módszerek, mint a Pi-modell, a Temporal Ensembling, az Mean Teacher, a Virtual Adversarial Training és a FixMatch, mind erre az ötletre épülnek, kombinálva a címkézett adatok kis felügyelt veszteségét a többi felügyelet nélküli konzisztenciaveszteséggel.
A FixMatch erős CIFAR-10 pontosságot ér el osztályonként mindössze 4 címkézett képpel, a gyengébbtől az erősig terjedő kiegészítési konzisztenciával.
Az orvosi képalkotó csapatok több ezer jelöletlen szkennelésből és csak néhány száz radiológus által megjelölt esetből képezik ki a daganatok osztályozóit.
A beszédfelismerő rendszerek továbbfejlesztik a dialektusokat azáltal, hogy konzisztens átiratokat kényszerítenek ki a hozzáadott zajos és sebességzavaros hangon.
Az Átlagos tanári képzést úgy stabilizálja, hogy egy mozgóátlagos „tanári” modell konzisztenciacélokat generál a „tanuló” számára címkézetlen képeken.
A következetesség-szabályozás ma már szabvány a látás, a beszéd, valamint az egyre inkább a szöveges és táblázatos tanulás során, és számos önállóan felügyelt előképzési receptet támaszt alá. Szorosabb integrációra számíthat az alapmodellekkel, ahol a nagy, előre betanított hálózatokat finomhangolja maroknyi címke és hatalmas, címkézetlen korpuszok felhasználásával. A kutatások csökkentik az érzékenységet a bővítési választási lehetőségekre és a megbízhatósági küszöbértékekre, és kiterjesztik a zajos valós környezetre, ahol a címkemegőrző feltételezés néha megtörik.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A konzisztencia-szabályozás megtanítja a modellt, hogy ugyanazt a választ adja, ha egy címkézetlen bemenetet kis, címkemegőrző módon zavarnak meg. Lehetővé teszi, hogy tanuljon a címkézetlen adatok hatalmas halmából, drámai módon csökkentve a kézzel címkézett példák számát.
The guide defines consistency around predictions staying stable under small meaning-preserving changes.
The guide describes two augmented paths and a loss on prediction differences.
The guide gives crop and rotation as possible small, meaning-preserving changes.
The guide says consistency can push boundaries toward low-density regions.
The guide describes one branch supplying a target while the other is trained to match it.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Félig felügyelt tanulás
Alapok