目次
少数ショット学習方法
メタ学習
データレベルのメソッド
メタ学習は、FSL への一般的なアプローチです。これには、新しいタスクを効率的に学習する方法を学習できるように、さまざまな関連タスクでモデルをトレーニングすることが含まれます。このアルゴリズムは、利用可能なデータからタスクに依存しない特徴とタスク固有の特徴を抽出することを学習し、新しいタスクに迅速に適応します。
メトリクスベースのメタ学習アルゴリズムは、新しいタスクごとに異なる例を比較する特別な方法を学習します。彼らは、入力例を特殊な特徴空間にマッピングすることでこれを実現します。この空間では、類似した例は近くにあり、異なる例は遠く離れています。モデルはこの距離メトリックを使用して、新しい例を正しいカテゴリに分類できます。
勾配ベースのメタ学習は、新しい課題に迅速に適応できるようにパラメーターを更新する方法を学習します。
少数ショット学習に基づく画像分類アルゴリズム
モデルに依存しないメタ学習
マッチング ネットワーク
プロトタイプ ネットワーク
リレーションシップ ネットワーク
少数ショット学習のアプリケーション
概要
ホームページ テクノロジー周辺機器 AI 少数ショット学習のレビュー: テクニック、アルゴリズム、モデル

少数ショット学習のレビュー: テクニック、アルゴリズム、モデル

Apr 12, 2023 pm 02:52 PM
機械学習 アルゴリズム

機械学習は最近大きく進歩しましたが、モデルをトレーニングするには大量のラベル付きデータが必要であるという大きな課題がまだあります。

このデータは現実の世界では利用できない場合があります。ヘルスケアを例に挙げると、新しい病気をチェックするのに十分な X 線スキャンがない可能性があります。しかし、少数ショット学習を通じて、モデルはわずか数例から知識を学習できます!

したがって、少数ショット学習 (FSL) は機械学習のサブフィールドであり、新しいタスクを学習するタスクをわずかな計算で解決します。ラベル付きのサンプルの数が少ない 問題。 FSL の要点は、機械学習モデルが少量のデータで新しいことを学習できるようにすることです。これは、ラベル付きデータの束を収集するのにコストがかかりすぎたり、時間がかかりすぎたり、非現実的である場合に役立ちます。

少数ショット学習方法

少数ショット学習のレビュー: テクニック、アルゴリズム、モデル

サポート サンプル/クエリ セット: 少数の画像を使用してクエリ セットを分類します。

少数ショット学習を理解するには、メタ学習、データレベル、パラメータレベルの 3 つの主な方法があります。

  • メタ学習: メタ学習には、新しいタスクを効率的に学習する方法を学習するモデルのトレーニングが含まれます。
  • データレベル: データレベルの手法は、改善のために利用可能なデータを増やすことに重点を置いています。パフォーマンス;
  • パラメータ レベル: パラメータ レベルのメソッドは、新しいタスクへの一般化を改善するために、より堅牢な特徴表現を学習することを目的としています

メタ学習

metalearning (学習方法を学ぶ)。この方法では、新しいタスクを効率的に学習する方法を学習するようにモデルをトレーニングします。このモデルは、さまざまなタスク間の共通点を特定し、この知識を使用して、いくつかの例を使用して新しいことをすばやく学習することを目的としています。

メタ学習アルゴリズムは通常、一連の関連タスクでモデルをトレーニングし、利用可能なデータからタスクに依存しない特徴とタスク固有の特徴を抽出する方法を学習します。タスクに依存しない機能はデータに関する一般的な知識を取得し、タスク固有の機能は現在のタスクの詳細を取得します。トレーニング中、アルゴリズムは、各新しいタスクのいくつかのラベル付きサンプルのみを使用してモデル パラメーターを更新することにより、新しいタスクに適応することを学習します。これにより、モデルを少数の例で新しいタスクに一般化することができます。

データレベルのメソッド

データレベルのメソッドは、既存のデータの拡張に重点を置いており、これによりモデルがデータの基礎となる構造をより深く理解できるようになり、それによってモデルの汎化パフォーマンスが向上します。

主なアイデアは、既存の例にさまざまな変換を適用して新しい例を作成することです。これにより、モデルがデータの基礎となる構造をよりよく理解できるようになります。

データ レベルの方法には 2 種類あります。

  • データ拡張: データ拡張には、既存のデータにさまざまな変換を適用することによって新しいサンプルを作成することが含まれます。
  • データ生成: データ生成には、敵対的生成ネットワーク (GAN) を使用して新しい例を最初から生成することが含まれます。

データ レベルのメソッド:

パラメーター レベルのメソッドの目標は、新しいタスクに適切に一般化できる、より堅牢な特徴表現を学習することです。

パラメータ レベルの方法は 2 つあります。

  • 特徴抽出: 特徴抽出には、新しいタスクに使用できる一連の特徴をデータから学習することが含まれます。 #微調整: 微調整には、最適なパラメーターを学習することによって、事前トレーニングされたモデルを新しいタスクに適応させることが含まれます。
  • たとえば、画像内のさまざまな形や色を認識できる事前トレーニングされたモデルがあるとします。新しいデータセットに基づいてモデルを微調整することで、ほんの数例を使用して新しいカテゴリを認識する方法をすぐに学習できます。

メタ学習アルゴリズム

メタ学習は、FSL への一般的なアプローチです。これには、新しいタスクを効率的に学習する方法を学習できるように、さまざまな関連タスクでモデルをトレーニングすることが含まれます。このアルゴリズムは、利用可能なデータからタスクに依存しない特徴とタスク固有の特徴を抽出することを学習し、新しいタスクに迅速に適応します。

メタ学習アルゴリズムは、メトリックベースと勾配ベースの 2 つのタイプに大別できます。

メトリクスベースのメタ学習

メトリクスベースのメタ学習アルゴリズムは、新しいタスクごとに異なる例を比較する特別な方法を学習します。彼らは、入力例を特殊な特徴空間にマッピングすることでこれを実現します。この空間では、類似した例は近くにあり、異なる例は遠く離れています。モデルはこの距離メトリックを使用して、新しい例を正しいカテゴリに分類できます。

人気のあるメトリックベースのアルゴリズムは Siamese Network です。これは、2 つの同一のサブネットワークを使用して 2 つの入力例間の距離を測定することを学習します。これらのサブネットワークは、各入力例の特徴表現を生成し、ユークリッド距離やコサイン類似度などの距離尺度を使用して出力を比較します。

勾配ベースのメタ学習

勾配ベースのメタ学習は、新しい課題に迅速に適応できるようにパラメーターを更新する方法を学習します。

これらのアルゴリズムは、モデルをトレーニングしてパラメータの初期セットを学習し、わずか数例で新しいタスクに迅速に適応します。 MAML (モデルに依存しないメタ学習) は、新しいタスクに迅速に適応するためにモデルのパラメーターを最適化する方法を学習する、人気のある勾配ベースのメタ学習アルゴリズムです。一連の関連タスクを通じてモデルをトレーニングし、各タスクのいくつかの例を使用してモデルのパラメーターを更新します。モデルがこれらのパラメーターを学習すると、現在のタスクの他の例を使用してパラメーターを微調整し、パフォーマンスを向上させることができます。

少数ショット学習に基づく画像分類アルゴリズム

FSL には、次のようないくつかのアルゴリズムがあります。

  • モデルに依存しないメタ学習): MAML はメタ学習です。モデルの適切な初期化を学習し、少数の例で新しいタスクに適応できる学習アルゴリズム。
  • マッチング ネットワーク: マッチング ネットワークは、類似性を計算することによって、新しい例とラベル付きの例を一致させることを学習します。
  • プロトタイプ ネットワーク: プロトタイプ ネットワークは、各クラスのプロトタイプ表現を学習し、プロトタイプとの類似性に基づいて新しい例を分類します。
  • リレーション ネットワーク: リレーション ネットワークは、例のペアを比較し、新しい例について予測することを学習します。

モデルに依存しないメタ学習

MAML の重要なアイデアは、新しいタスクに適応できるモデル パラメーターの初期化をいくつかの例で学習することです。トレーニング中、MAML は一連の関連タスクを受け入れ、各タスクのいくつかのラベル付きサンプルのみを使用してモデル パラメーターを更新する方法を学習します。このプロセスにより、新しいタスクにすぐに適応できるモデル パラメーターの適切な初期化を学習することで、モデルを新しいタスクに一般化できます。

マッチング ネットワーク

マッチング ネットワークは、一般的に使用されるもう 1 つの少数ショット画像分類アルゴリズムです。固定のメトリクスやパラメータを学習するのではなく、現在のサポート セットに基づいて動的なメトリクスを学習します。これは、クエリ イメージとサポート セットを比較するために使用されるメトリックがクエリ イメージごとに異なることを意味します。

マッチング ネットワーク アルゴリズムは、アテンション メカニズムを使用して、各クエリ画像のサポート セット特徴の加重合計を計算します。重みは、クエリ画像と各サポート セット画像の間の類似性に基づいて学習されます。次に、サポート セットの特徴の加重合計がクエリ画像の特徴と連結され、結果のベクトルが完全に接続されたいくつかのレイヤーを通過して、最終的な分類が生成されます。

プロトタイプ ネットワーク

プロトタイプ ネットワークは、シンプルで効果的な少数サンプルの画像分類アルゴリズムです。画像の表現を学習し、サポートされるサンプルの埋め込み特徴の平均を使用して各クラスのプロトタイプを計算します。テスト中に、クエリ画像と各クラス プロトタイプ間の距離が計算され、最も近いプロトタイプを持つクラスがクエリに割り当てられます。

リレーションシップ ネットワーク

リレーションシップ ネットワークの学習では、セットをサポートするサンプルのペアを比較し、この情報を使用してクエリのサンプルを分類します。リレーションシップ ネットワークには、特徴埋め込みネットワークとリレーションシップ ネットワークという 2 つのサブネットワークが含まれます。特徴埋め込みネットワークは、サポート セット内の各サンプルとクエリ サンプルを特徴空間にマッピングします。次に、関係ネットワークは、クエリの例と各サポート セットの例の間の関係スコアを計算します。最後に、これらの関係スコアはクエリの例を分類するために使用されます。

少数ショット学習のアプリケーション

少数ショット学習には、次のようなさまざまな分野で多くのアプリケーションがあります。

画像分類やターゲット検出などのさまざまなコンピュータ ビジョン タスクにおいて、セグメンテーション。少数ショット学習では、トレーニング データに存在しない画像内の新しいオブジェクトを識別できます。

テキスト分類、感情分析、言語モデリングなどの自然言語処理タスクでは、少数ショット学習は、低リソース言語での言語モデルのパフォーマンスの向上に役立ちます。

ロボット工学で少数派学習を使用すると、ロボットは新しいタスクを迅速に学習し、新しい環境に適応できます。たとえば、ロボットは、いくつかの例を使用するだけで、新しい物体を拾うことを学習できます。

データが限られている場合、希少疾患や異常を特定するための医療診断では少数のサンプルが使用され、治療を個別化して患者の転帰を予測するのに役立ちます。

概要

フューショット学習は、モデルが少数の例から学習できるようにする強力な手法です。さまざまな分野で多数の用途があり、機械学習に革命をもたらす可能性があります。研究開発を継続することで、少数ショット学習により、より効率的かつ効果的な機械学習システムへの道が開かれる可能性があります。

以上が少数ショット学習のレビュー: テクニック、アルゴリズム、モデルの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

このウェブサイトの声明
この記事の内容はネチズンが自主的に寄稿したものであり、著作権は原著者に帰属します。このサイトは、それに相当する法的責任を負いません。盗作または侵害の疑いのあるコンテンツを見つけた場合は、admin@php.cn までご連絡ください。

ホットAIツール

Undresser.AI Undress

Undresser.AI Undress

リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover

AI Clothes Remover

写真から衣服を削除するオンライン AI ツール。

Undress AI Tool

Undress AI Tool

脱衣画像を無料で

Clothoff.io

Clothoff.io

AI衣類リムーバー

Video Face Swap

Video Face Swap

完全無料の AI 顔交換ツールを使用して、あらゆるビデオの顔を簡単に交換できます。

ホットツール

メモ帳++7.3.1

メモ帳++7.3.1

使いやすく無料のコードエディター

SublimeText3 中国語版

SublimeText3 中国語版

中国語版、とても使いやすい

ゼンドスタジオ 13.0.1

ゼンドスタジオ 13.0.1

強力な PHP 統合開発環境

ドリームウィーバー CS6

ドリームウィーバー CS6

ビジュアル Web 開発ツール

SublimeText3 Mac版

SublimeText3 Mac版

神レベルのコード編集ソフト(SublimeText3)

この記事では、SHAP: 機械学習のモデルの説明について説明します。 この記事では、SHAP: 機械学習のモデルの説明について説明します。 Jun 01, 2024 am 10:58 AM

機械学習とデータ サイエンスの分野では、モデルの解釈可能性が常に研究者や実務家に焦点を当ててきました。深層学習やアンサンブル手法などの複雑なモデルが広く適用されるようになったことで、モデルの意思決定プロセスを理解することが特に重要になってきました。 Explainable AI|XAI は、モデルの透明性を高めることで、機械学習モデルに対する信頼と自信を構築するのに役立ちます。モデルの透明性の向上は、複数の複雑なモデルの普及や、モデルを説明するための意思決定プロセスなどの方法によって実現できます。これらの方法には、特徴重要度分析、モデル予測間隔推定、ローカル解釈可能性アルゴリズムなどが含まれます。特徴重要度分析では、入力特徴に対するモデルの影響度を評価することで、モデルの意思決定プロセスを説明できます。モデルの予測間隔の推定

C++ での機械学習アルゴリズムの実装: 一般的な課題と解決策 C++ での機械学習アルゴリズムの実装: 一般的な課題と解決策 Jun 03, 2024 pm 01:25 PM

C++ の機械学習アルゴリズムが直面する一般的な課題には、メモリ管理、マルチスレッド、パフォーマンスの最適化、保守性などがあります。解決策には、スマート ポインター、最新のスレッド ライブラリ、SIMD 命令、サードパーティ ライブラリの使用、コーディング スタイル ガイドラインの遵守、自動化ツールの使用が含まれます。実践的な事例では、Eigen ライブラリを使用して線形回帰アルゴリズムを実装し、メモリを効果的に管理し、高性能の行列演算を使用する方法を示します。

あなたが知らない機械学習の 5 つの流派 あなたが知らない機械学習の 5 つの流派 Jun 05, 2024 pm 08:51 PM

機械学習は人工知能の重要な分野であり、明示的にプログラムしなくてもコンピューターにデータから学習して能力を向上させる機能を提供します。機械学習は、画像認識や自然言語処理から、レコメンデーションシステムや不正行為検出に至るまで、さまざまな分野で幅広く応用されており、私たちの生活様式を変えつつあります。機械学習の分野にはさまざまな手法や理論があり、その中で最も影響力のある 5 つの手法は「機械学習の 5 つの流派」と呼ばれています。 5 つの主要な学派は、象徴学派、コネクショニスト学派、進化学派、ベイジアン学派、およびアナロジー学派です。 1. 象徴主義は、象徴主義とも呼ばれ、論理的推論と知識の表現のためのシンボルの使用を強調します。この学派は、学習は既存の既存の要素を介した逆演繹のプロセスであると信じています。

説明可能な AI: 複雑な AI/ML モデルの説明 説明可能な AI: 複雑な AI/ML モデルの説明 Jun 03, 2024 pm 10:08 PM

翻訳者 | Li Rui によるレビュー | 今日、人工知能 (AI) および機械学習 (ML) モデルはますます複雑になっており、これらのモデルによって生成される出力はブラックボックスになっており、関係者に説明することができません。 Explainable AI (XAI) は、利害関係者がこれらのモデルがどのように機能するかを理解できるようにし、これらのモデルが実際に意思決定を行う方法を確実に理解できるようにし、AI システムの透明性、信頼性、およびこの問題を解決するための説明責任を確保することで、この問題を解決することを目指しています。この記事では、さまざまな説明可能な人工知能 (XAI) 手法を検討して、その基礎となる原理を説明します。説明可能な AI が重要であるいくつかの理由 信頼と透明性: AI システムが広く受け入れられ、信頼されるためには、ユーザーは意思決定がどのように行われるかを理解する必要があります

フラッシュ アテンションは安定していますか?メタとハーバードは、モデルの重みの偏差が桁違いに変動していることを発見しました フラッシュ アテンションは安定していますか?メタとハーバードは、モデルの重みの偏差が桁違いに変動していることを発見しました May 30, 2024 pm 01:24 PM

MetaFAIR はハーバード大学と協力して、大規模な機械学習の実行時に生成されるデータの偏りを最適化するための新しい研究フレームワークを提供しました。大規模な言語モデルのトレーニングには数か月かかることが多く、数百、さらには数千の GPU を使用することが知られています。 LLaMA270B モデルを例にとると、そのトレーニングには合計 1,720,320 GPU 時間が必要です。大規模なモデルのトレーニングには、これらのワークロードの規模と複雑さにより、特有のシステム上の課題が生じます。最近、多くの機関が、SOTA 生成 AI モデルをトレーニングする際のトレーニング プロセスの不安定性を報告しています。これらは通常、損失スパイクの形で現れます。たとえば、Google の PaLM モデルでは、トレーニング プロセス中に最大 20 回の損失スパイクが発生しました。数値的なバイアスがこのトレーニングの不正確さの根本原因です。

改良された検出アルゴリズム: 高解像度の光学式リモートセンシング画像でのターゲット検出用 改良された検出アルゴリズム: 高解像度の光学式リモートセンシング画像でのターゲット検出用 Jun 06, 2024 pm 12:33 PM

01 今後の概要 現時点では、検出効率と検出結果の適切なバランスを実現することが困難です。我々は、光学リモートセンシング画像におけるターゲット検出ネットワークの効果を向上させるために、多層特徴ピラミッド、マルチ検出ヘッド戦略、およびハイブリッドアテンションモジュールを使用して、高解像度光学リモートセンシング画像におけるターゲット検出のための強化されたYOLOv5アルゴリズムを開発しました。 SIMD データセットによると、新しいアルゴリズムの mAP は YOLOv5 より 2.2%、YOLOX より 8.48% 優れており、検出結果と速度のバランスがより優れています。 02 背景と動機 リモート センシング技術の急速な発展に伴い、航空機、自動車、建物など、地表上の多くの物体を記述するために高解像度の光学式リモート センシング画像が使用されています。リモートセンシング画像の判読における物体検出

C++ の機械学習: C++ で一般的な機械学習アルゴリズムを実装するためのガイド C++ の機械学習: C++ で一般的な機械学習アルゴリズムを実装するためのガイド Jun 03, 2024 pm 07:33 PM

C++ では、機械学習アルゴリズムの実装には以下が含まれます。 線形回帰: 連続変数を予測するために使用されるステップには、データの読み込み、重みとバイアスの計算、パラメーターと予測の更新が含まれます。ロジスティック回帰: 離散変数の予測に使用されます。このプロセスは線形回帰に似ていますが、予測にシグモイド関数を使用します。サポート ベクター マシン: サポート ベクターの計算とラベルの予測を含む強力な分類および回帰アルゴリズム。

58 ポートレート プラットフォームの構築におけるアルゴリズムの適用 58 ポートレート プラットフォームの構築におけるアルゴリズムの適用 May 09, 2024 am 09:01 AM

1. 58 Portraits プラットフォーム構築の背景 まず、58 Portraits プラットフォーム構築の背景についてお話ししたいと思います。 1. 従来のプロファイリング プラットフォームの従来の考え方ではもはや十分ではありません。ユーザー プロファイリング プラットフォームを構築するには、複数のビジネス分野からのデータを統合して、ユーザーの行動や関心を理解するためのデータ マイニングも必要です。最後に、ユーザー プロファイル データを効率的に保存、クエリ、共有し、プロファイル サービスを提供するためのデータ プラットフォーム機能も必要です。自社構築のビジネス プロファイリング プラットフォームとミドルオフィス プロファイリング プラットフォームの主な違いは、自社構築のプロファイリング プラットフォームは単一のビジネス ラインにサービスを提供し、オンデマンドでカスタマイズできることです。ミッドオフィス プラットフォームは複数のビジネス ラインにサービスを提供し、複雑な機能を備えていることです。モデリングを提供し、より一般的な機能を提供します。 2.58 中間プラットフォームのポートレート構築の背景のユーザーのポートレート 58

See all articles