À medida que os conjuntos de dados aumentam drasticamente, estamos a desenvolver competências para melhorar a forma como treinamos redes neurais profundas. Isto ajuda os cientistas de dados a mapear as entradas e saídas enquanto rotulam enormes quantidades de dados. Estes dados incluem previsões de etiquetas, sentenças, imagens, etc.
Ainda não somos capazes de generalizar as diferenças entre as condições que ajudam a formar os dados. Habilitar o modelo a realizar tais actividades no mundo real pode ser uma tarefa árdua. Como existem numerosas situações novas e confusas no modelo, este deparar-se-á com os problemas para os quais os dados de formação não estão preparados.
O algoritmo precisa de fazer novas previsões para resolver situações complicadas e da vida real. Neste artigo, vamos discutir como transferir dados para as novas condições. Este blog compreenderá como os modelos podem adoptar a aprendizagem de transferência e desenvolver um modelo de aprendizagem bem sucedido e amplamente supervisionado.

Compreender a aprendizagem por transferência

A aprendizagem por transferência não é uma nova abordagem na aprendizagem profunda. Embora seja diferente do método tradicional de criar e treinar modelos de aprendizagem de máquinas para seguir um método de transferência de dados, existem numerosas semelhanças. As principais raízes dos métodos tradicionais são específicas da formação, conjuntos de dados e tarefas baseadas em modelos isolados.
O modelo não inclui qualquer conhecimento que retenha de outros modelos. Quando se trata de transferir aprendizagem, é possível controlar os conjuntos de dados de formação em novos modelos e lidar com problemas como a realização de novas tarefas com dados menores.
Pode compreender esta abordagem com um exemplo. Suponhamos que queremos identificar diferentes objectos num domínio restrito de uma empresa de comércio electrónico. Suponhamos que está a executar a tarefa 1 como T1. Fornecerá então o modelo de vários conjuntos de dados e afiná-los-á para executar pontos de dados não vistos do mesmo ponto de dados ou domínio de comércio electrónico.
O algoritmo tradicional de aprendizagem mecânica decompõe as tarefas nos domínios em questão, se os dados não forem suficientes. Digamos que o modelo detecta algumas imagens de artigos de vestuário para um website de comércio electrónico. Esta pode ser a tarefa 2 ou T2. Idealmente, deverá poder utilizar o conjunto de dados ou fotografias de um modelo treinado T1 para outro T2. Mas não encontramos uma situação semelhante e falhamos em melhorar o desempenho do modelo. Isto tem muitos propósitos, tais como o de enviesar o modelo para treinar o domínio.
Com a aprendizagem por transferência, devemos ser capazes de utilizar os dados de um modelo treinado para novos modelos relacionados. Se tivermos mais dados na tarefa T1, podemos utilizar o conhecimento como a cor e o tamanho da camisa para modelo que tenha menos conhecimento, ou seja, T2. Quando há um problema no domínio da visão informática, é possível transferir as características para diferentes tarefas e melhorar o conhecimento. Em palavras fáceis, pode utilizar o conhecimento de uma tarefa como um input da outra para realizar novas tarefas.

Transferir Estratégias de Aprendizagem

A aprendizagem por transferência tem numerosas técnicas e estratégias de aprendizagem, que pode aplicar aos seus projectos em função do domínio, dos dados disponíveis e das tarefas. Abaixo encontrará algumas dessas estratégias e técnicas:

1. Aprendizagem por transferência sem supervisão

O domínio alvo e as fontes são semelhantes, enquanto as tarefas são e as actividades são diferentes. Neste caso, os dados etiquetados não estão disponíveis em nenhum domínio. As técnicas indutivas e não supervisionadas são semelhantes para o domínio alvo.

2. Aprendizagem de Transferência Transductiva

Nesta condição, as tarefas alvo e fonte são semelhantes, mas existem diferenças em domínios relacionados. Há muitos dados etiquetados no domínio de origem, enquanto que não há quaisquer dados no domínio de destino. É possível classificá-los em subcategorias diferentes, referindo-se a configurações diferentes.

3. Aprendizagem por Transferência Indutiva

Os domínios alvo e fonte são os mesmos, mas ambas as suas tarefas são diferentes. Os algoritmos utilizam os enviesamentos indutivos do domínio de origem e ajudam a melhorar a tarefa de destino. É possível dividir os dados etiquetados em duas categorias: aprendizagem autodidacta e aprendizagem multitarefa.

Transferir Aprendizagem para Aprendizagem Profunda

Todas as estratégias acima referidas são abordagens gerais que podemos aplicar no modelo de aprendizagem automática. Isto levanta várias questões, tais como “podemos aplicar a aprendizagem por transferência no contexto da aprendizagem profunda? Os modelos de aprendizagem profunda ajudam com os modelos de aprendizagem indutiva. Um algoritmo de aprendizagem indutiva pode ajudar a mapear exemplos de formação.
Por exemplo, o modelo irá aprender o mapeamento classificando as etiquetas de classe e as características de entrada. Estes tipos de modelos de aprendizagem generalizam dados não vistos. Além disso, o algoritmo funcionará de acordo com os pressupostos, dependendo da distribuição dos dados de formação.
Os especialistas chamam a estas suposições um viés indutivo. Com a ajuda de suposições indutivas ou enviesamento, é possível caracterizar múltiplos factores. Por exemplo, o espaço de hipóteses restringe o processo de pesquisa, e terá um grande impacto no processo de aprendizagem do modelo com base num determinado domínio e tarefa.

Conclusão

Para concluir, podemos dizer que inúmeras direcções de investigação estão a transferir as ofertas de aprendizagem. Muitas aplicações que ajudam a transferir os conhecimentos precisam de modelos para adoptar novas tarefas nos novos domínios.