Application du méta-apprentissage dans l'apprentissage automatique

Le méta-apprentissage aide les algorithmes d'apprentissage automatique à surmonter les défis en optimisant les algorithmes d'apprentissage et en identifiant les algorithmes les plus performants.

Méta-apprentissage, méta-classificateur et méta-régression

Méta-classificateur dans l'apprentissage automatique

Le méta-classificateur est un algorithme de méta-apprentissage dans l'apprentissage automatique et est utilisé pour les tâches de classification et de modélisation prédictive . Il utilise les résultats prédits par d'autres classificateurs comme caractéristiques et sélectionne finalement l'un d'entre eux comme résultat final de la prédiction.

Méta-régression

La méta-régression est un algorithme de méta-apprentissage utilisé pour les tâches de modélisation prédictive de régression. Il utilise l'analyse de régression pour combiner, comparer et synthétiser les résultats de plusieurs études tout en ajustant l'effet des covariables disponibles sur la variable de réponse. Les analyses de méta-régression visent à réconcilier des études contradictoires ou à confirmer des études cohérentes entre elles.

Quelles technologies sont utilisées en méta-learning ?

Voici quelques méthodes utilisées en méta-apprentissage :

• Apprentissage métrique

Cela fait référence à l'apprentissage d'un espace métrique pour la prédiction. Il fournit de bons résultats dans les tâches de classification en quelques coups. L'idée principale de l'apprentissage métrique est très similaire à l'algorithme du voisin le plus proche (classificateur k-NN et clustering k-means).

• Méta-apprentissage indépendant du modèle (MAML)

Dans MAML, un réseau de neurones est formé à l'aide d'exemples pour adapter le modèle plus rapidement à de nouvelles tâches. Il s'agit d'un algorithme d'optimisation générale et indépendant des tâches utilisé pour entraîner les paramètres d'un modèle pour un apprentissage rapide avec un petit nombre de mises à jour de gradient.

• Réseau de neurones récurrents (RNN)

Le réseau de neurones récurrents est un type d'intelligence artificielle. Ils sont doués pour résoudre les problèmes liés aux données séquentielles ou aux données de séries chronologiques. Vous les trouverez généralement utilisés pour les tâches de traduction, de reconnaissance vocale et de reconnaissance d'écriture manuscrite.

Dans le méta-apprentissage, l'algorithme RNN est utilisé comme alternative pour créer des modèles récurrents capables de collecter séquentiellement des données à partir d'un ensemble de données et de traiter ces données comme de nouvelles entrées.

• Stacking ou généralisation empilée

Stacking est un sous-domaine de l'apprentissage d'ensemble et est utilisé pour les modèles de méta-apprentissage. L’apprentissage supervisé et non supervisé bénéficie des avantages de l’empilement. Le processus impliqué dans l'empilement : entraîner un algorithme d'apprentissage à l'aide des données disponibles, créer un algorithme de combinaison pour combiner les prédictions de l'algorithme d'apprentissage et utiliser l'algorithme de combinaison pour effectuer la prédiction finale.

• Réseau neuronal siamois convolutionnel

Le réseau neuronal siamois convolutionnel se compose de deux réseaux jumeaux. Leurs sorties sont formées conjointement par dessus à l’aide d’une fonction pour apprendre la relation entre des paires d’échantillons de données d’entrée. Les réseaux siamois partagent les mêmes poids et paramètres de réseau. Ils font référence au même réseau d'intégration, qui apprend des intégrations efficaces pour révéler les relations entre des paires de points de données.

• Réseaux correspondants

Les réseaux correspondants apprennent des classificateurs pour tout petit ensemble de supports. Un classificateur définit une distribution de probabilité des étiquettes de sortie à l'aide d'exemples de tests spécifiques. Il mappe essentiellement un petit ensemble de supports balisés et un exemple non balisé à son étiquette, éliminant ainsi le besoin d'un réglage précis pour s'adapter à de nouveaux types de classe.

• LSTM Meta-Learner

L'algorithme de méta-apprentissage LSTM peut trouver l'algorithme d'optimisation précis pour former un autre classificateur de réseau neuronal en quelques étapes. Le paramétrage lui permet d'apprendre les mises à jour de paramètres appropriées, notamment pour les scénarios où un certain nombre de mises à jour seront effectuées. Il peut même apprendre une initialisation générale du réseau d'apprenants pour parvenir à une convergence rapide de la formation.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!