概述
這是一種利用大量未標記資料的簡單而強大的方法。
深入探討
自我訓練是最古老的半監督思想之一。您首先在有限的標記資料上訓練教師模型。然後,教師預測大量未標記範例的標籤;高置信度的預測變成偽標籤。學生模型接受真實標籤和偽標籤的結合訓練,通常表現優於教師。置信度閾值很重要:僅保留高於機率截止值的預測,因此模型不會因其自身的不確定猜測而受到破壞。現代變體將偽標籤與一致性正則化結合。例如,FixMatch 從弱增強影像產生偽標籤,並訓練模型以在強增強版本上匹配它,但前提是弱預測有信心。 Noisy Student 在 ImageNet 上擴展了這個想法,方法是讓學生變大並在訓練過程中添加雜訊(丟失、增強)。
現實世界的實施
透過使用種子模型轉錄數千小時的未標記音訊來訓練語音辨識系統,然後對可信任轉錄本進行重新訓練。
Google 的 Noisy Student 透過與教師一起迭代標記未標記的圖像並訓練更大的噪音學生來提高 ImageNet 的準確性。
使用經過數百個專家標記病例訓練的模型來標記大量未註釋的醫學掃描,以擴展訓練集。
透過對數百萬個高於置信閾值的未標記文件進行偽標記,引導針對特定領域的文字分類器。
偽標籤和自我訓練的未來
偽標籤仍然是標籤高效學習的核心,並且越來越多地成為大型模型訓練管道的核心,其中強大的模型生成合成標籤甚至合成資料來訓練更小或更新的模型,這是一種蒸餾形式。期望與主動學習(決定人類應該標記哪些示例)更緊密地集成,更好的不確定性估計來過濾偽標籤,並繼續在語音識別、醫學成像以及任何未標記數據數量遠遠超過標記數據的領域中使用。
付諸實踐
為什麼這很重要
- 成本與預算. 多年來,架構決策決定著效能和營運成本。
- 更明確的決策. 技術教育幫助團隊選擇正確的堆疊,而不僅僅是最新的堆疊。
- 品質管控. 更好的工程選擇可以減少生產中的可靠性事故。
留意
- 優化一項基準測試可以隱藏更廣泛的系統弱點。
- 基礎設施和維護成本常常被低估。
- 隨著系統變得更加複雜,安全性和可觀察性差距可能會擴大。
後續步驟
- 在實施之前定義延遲、品質和成本目標。
- 在實際負載和資料條件下進行基準測試。
- 儀器監控錯誤、漂移和使用者影響。
- 在擴展之前準備回滾和事件回應路徑。
不斷探索
常見問題
什麼是偽標籤和自我訓練?
偽標記是一種半監督技術,其中在小型標記集上訓練的模型為未標記的資料產生自己的標籤,然後對這些預測進行訓練。這是一種利用大量未標記資料的簡單而強大的方法。
基本的自我訓練迴圈如何使用未標記的範例?
本指南說明如何產生偽標籤,並使用已標記以及挑選出的未標記範例進行訓練。
為什麼要對偽標籤套用信心閾值?
本指南指出,保留高信心的預測結果是為了減少來自不確定猜測的污染。
什麼是偽標籤中的確認偏誤?
本指南警告,模型產生的標籤可能會強化其自身的錯誤。
在 FixMatch 中,偽標籤是從哪裡來的?
FixMatch 使用來自弱增強的具信心預測來對強增強進行訓練。
Noisy Student 中的學生雜訊概念是什麼?
本指南描述在學生訓練期間加入雜訊以鼓勵泛化。