LegközelebbKövetkező útmutató
Online és offline funkciók kiszolgálása ferde
Műszaki
Műszaki ÚTMUTATÓ
A kemény negatív bányászat a leginformatívabb, nehezen megkülönböztethető példákat választja ki a tanuláshoz, ahelyett, hogy erőfeszítéseket pazarolna azokra az egyszerűekre, amelyekre a modell már bevált.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
It is the trick that makes metric learning and object detection converge fast and accurately.
Ha hármas vagy kontrasztos veszteséggel edz, a legtöbb véletlenszerűen kiválasztott negatív már messze van a horgonytól, így nulla veszteséget és gradiens nélküli edzést eredményez. A negatív bányászat ezt úgy javítja ki, hogy kemény negatívokat választ ki: olyan példákat, amelyek helytelenül közel vannak a horgonyhoz. Az offline bányászat során rendszeresen átvizsgálja az adatkészletet, hogy megtalálja ezeket, ami lassú és elavult. Az online bányászat menet közben kiszámolja ezeket az egyes mini-kötegeken belül: előrepasszolás után meg kell nézni a köteg összes páronkénti távolságát, és kiválasztani a legsúlyosabb szabálysértőket. A FaceNet bevezette a félkemény bányászatot, a pozitívnál távolabbi negatívokat választva, de még mindig a margón belül, elkerülve azt az instabilitást, amelyet az abszolút legkeményebb negatívumok okozhatnak az edzés korai szakaszában.
Arcfelismerő tréning: A FaceNet félkemény online bányászatot használ, hogy megtanulja a hasonló egyéneket elválasztó beágyazásokat.
Tárgyérzékelés: Az SSD és hasonló detektorok kemény negatív bányászatot alkalmaznak, hogy kiegyenlítsék az egyszerű háttérdobozok áradatát a ritka tárgydobozokkal szemben.
Sűrű járat visszakeresés: a kereső- és RAG-rendszerek olyan kemény negatív dokumentumokat bányásznak ki, amelyek relevánsnak tűnnek, de nem azok, élesítve a retrievert.
Javaslati rendszerek: olyan enyém tételeket modelleznek, amelyekre a felhasználó nem kattintott, de amelyek hasonlítanak a kattintott elemekre, finomabb ízbeli különbségeket tanítva.
Az az elv, hogy oktass arra, ami nehéz, most a kontrasztív, önfelügyelt tanulást hajtja végre, ahol a nagy, kötegelt negatív készletek (és memóriabankok, mint például a MoCo) nehéz összehasonlításokat tesznek lehetővé címkék nélkül. A kutatók finomítják, hogy milyen keménynek kell lennie egy negatívumnak, mivel a túl kemény negatívokról gyakran kiderül, hogy rosszul vannak felcímkézve, vagy szinte ismétlődő pozitívumok, amelyek megrontják az edzést. Intelligensebb, bizonytalanságtudatos bányászatra és szintetikus kemény negatívokra számíthat, amelyeket maga a modell generál, valamint szorosabb integrációt a visszakereső rendszerekkel, amelyek a valódi felhasználói lekérdezésekből nyerik ki a kemény negatívokat.
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 kemény negatív bányászat a leginformatívabb, nehezen megkülönböztethető példákat választja ki a tanuláshoz, ahelyett, hogy erőfeszítéseket pazarolna azokra az egyszerűekre, amelyekre a modell már bevált. Ez az a trükk, amivel a metrikus tanulás és a tárgyfelismerés gyorsan és pontosan konvergál.
Az egyszerű negatívok jóval a határon túl vannak, már kielégítik a veszteséget, és lényegében nem járulnak hozzá gradienshez, így az edzés leáll.
Az online bányászat minden lépésben páronként kiszámítja a távolságokat az aktuális kötegben, míg az offline bányászat időszakosan átvizsgálja a teljes adatkészletet, és elavulttá válhat.
A félkemény negatívok távolabb vannak a horgonytól, mint a pozitív, mégis a margón belülre esnek, így hasznos, stabil színátmeneteket adnak az abszolút legnehezebb esetek instabilitása nélkül.
A kötegelt kemény bányászat a legnehezebb eseteket választja ki: minden horgonyhoz a köteg legtávolabbi pozitívját és a legközelebbi (legzavaróbb) negatívot veszi.
Nagyobb tétel nagyobb páronkénti távolságmátrixot eredményez, így minden lépésből több jelölt negatív van a legkeményebben bányászható.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Online és offline funkciók kiszolgálása ferde
Műszaki