Il prossimoProssima guida
Apprendimento semi-supervisionato
Fondamenti
GUIDA TECNICA
La regolarizzazione della coerenza insegna a un modello a fornire la stessa risposta quando un input senza etichetta viene perturbato in piccoli modi che preservano l'etichetta.
Ascolta questa guidaNarrato dall'IA · ~2 min
It lets you learn from huge piles of unlabeled data, dramatically cutting how many hand-labeled examples you need.
L'etichettatura dei dati è costosa; i dati senza etichetta sono quasi gratuiti. La regolarizzazione della coerenza sfrutta un semplice presupposto: se si sposta leggermente un input (ritaglia, ruota, aggiungi rumore, scambia sinonimi) senza modificarne il vero significato, la previsione del modello non dovrebbe cambiare. Durante l'allenamento si alimenta lo stesso esempio senza etichetta attraverso due percorsi aumentati e si aggiunge una perdita penalizzando la differenza tra i due output. Ciò spinge il confine decisionale nelle regioni a bassa densità tra i cluster, quindi non taglia gruppi densi di punti simili. Metodi come Pi-Model, Temporal Ensembling, Mean Teacher, Virtual Adversarial Training e FixMatch si basano tutti su questa idea, combinando una piccola perdita supervisionata sui dati etichettati con questa perdita di coerenza non supervisionata sul resto.
FixMatch raggiunge un'elevata precisione CIFAR-10 con un minimo di 4 immagini etichettate per classe applicando la coerenza dell'aumento da debole a forte.
Squadre di imaging medico addestrano classificatori di tumori da migliaia di scansioni senza etichetta più solo poche centinaia di casi etichettati da radiologi.
I sistemi di riconoscimento vocale migliorano i dialetti imponendo trascrizioni coerenti attraverso audio con aggiunta di rumore e velocità perturbata.
L'insegnante medio stabilizza la formazione facendo in modo che un modello di "insegnante" a media mobile generi obiettivi di coerenza per uno "studente" su immagini senza etichetta.
La regolarizzazione della coerenza è ormai uno standard per la visione, il parlato e, sempre più, per l’apprendimento testuale e tabulare, ed è alla base di molte ricette di preformazione autocontrollate. Aspettatevi un'integrazione più stretta con i modelli di base, in cui mette a punto grandi reti preaddestrate utilizzando una manciata di etichette oltre a enormi corpora senza etichetta. La ricerca sta riducendo la sua sensibilità alla scelta di aumento e alle soglie di confidenza, e la sta estendendo a contesti rumorosi del mondo reale dove l’ipotesi di preservare l’etichetta a volte si rompe.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
La regolarizzazione della coerenza insegna a un modello a fornire la stessa risposta quando un input senza etichetta viene perturbato in piccoli modi che preservano l'etichetta. Ti consente di imparare da enormi quantità di dati non etichettati, riducendo drasticamente il numero di esempi etichettati manualmente di cui hai bisogno.
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.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Apprendimento semi-supervisionato
Fondamenti