Aplikasi meta-pembelajaran dalam pembelajaran mesin

Pembelajaran meta membantu algoritma pembelajaran mesin mengatasi cabaran dengan mengoptimumkan algoritma pembelajaran dan mengenal pasti algoritma berprestasi terbaik.

Pembelajaran meta, pengelas meta dan regresi meta

Pengkelas meta dalam pembelajaran mesin

Pengkelas meta ialah algoritma pembelajaran meta dalam pembelajaran mesin dan pemodelan dan digunakan untuk pengelasan tugasan . Ia menggunakan keputusan yang diramalkan oleh pengelas lain sebagai ciri dan akhirnya memilih salah satu daripadanya sebagai hasil ramalan akhir.

Meta-regresi

Meta-regresi ialah algoritma meta-pembelajaran yang digunakan untuk tugas pemodelan ramalan regresi. Ia menggunakan analisis regresi untuk menggabungkan, membandingkan dan mensintesis dapatan daripada beberapa kajian sambil melaraskan kesan kovariat yang ada pada pembolehubah bergerak balas. Analisis meta-regresi bertujuan untuk mendamaikan kajian yang bercanggah atau mengesahkan kajian yang konsisten antara satu sama lain.

Apakah teknologi yang digunakan dalam meta-pembelajaran?

Berikut adalah beberapa kaedah yang digunakan dalam meta-pembelajaran:

• Pembelajaran Metrik

Ini merujuk kepada pembelajaran ruang metrik untuk ramalan. Ia memberikan hasil yang baik dalam tugas klasifikasi beberapa pukulan. Idea utama pembelajaran metrik sangat serupa dengan algoritma jiran terdekat (pengelas k-NN dan k-means clustering).

• Model-agnostik meta-pembelajaran (MAML)

Dalam MAML, rangkaian saraf dilatih menggunakan contoh untuk menyesuaikan model kepada tugas baharu dengan lebih pantas. Ia ialah pengoptimuman umum dan algoritma tugas-agnostik yang digunakan untuk melatih parameter model untuk pembelajaran pantas dengan sebilangan kecil kemas kini kecerunan.

• Recurrent Neural Network (RNN)

Recurrent Neural Network ialah sejenis kecerdasan buatan. Mereka pandai menangani masalah dengan data berurutan atau siri masa. Anda biasanya akan mendapati ia digunakan untuk penterjemahan bahasa, pengecaman pertuturan dan tugas pengecaman tulisan tangan.

Dalam meta-pembelajaran, algoritma RNN digunakan sebagai alternatif untuk mencipta model berulang yang mampu mengumpul data secara berurutan daripada set data dan memproses data ini sebagai input baharu.

• Menyusun atau Mengitlak Bertindan

Menyusun ialah subbidang pembelajaran ensemble dan digunakan untuk model pembelajaran meta. Pembelajaran diselia dan tidak diselia mendapat kelebihan daripada menyusun. Proses yang terlibat dalam menyusun: melatih algoritma pembelajaran menggunakan data yang tersedia, mencipta algoritma penggabung untuk menggabungkan ramalan algoritma pembelajaran, dan menggunakan algoritma penggabung untuk membuat ramalan akhir.

• Convolutional Siamese Neural Network

Convolutional Siamese Neural Network terdiri daripada dua rangkaian berkembar. Output mereka dilatih secara bersama di atas menggunakan fungsi untuk mempelajari hubungan antara pasangan sampel data input. Rangkaian berkembar berkongsi berat dan parameter rangkaian yang sama. Mereka merujuk kepada rangkaian pembenaman yang sama, yang mempelajari pembenaman yang cekap untuk mendedahkan hubungan antara pasangan titik data.

• Rangkaian Padanan

Rangkaian padanan mempelajari pengelas untuk mana-mana set sokongan kecil. Pengelas mentakrifkan taburan kebarangkalian label output menggunakan contoh ujian tertentu. Ia pada asasnya memetakan set sokongan berteg kecil dan contoh tidak berteg pada labelnya, menghapuskan keperluan untuk penalaan halus untuk menampung jenis kelas baharu.

• LSTM Meta-Learner

Algoritma meta-pembelajaran LSTM boleh mencari algoritma pengoptimuman yang tepat untuk melatih pengelas rangkaian saraf pelajar lain dalam mekanisme beberapa pukulan. Parameterisasi membolehkannya mempelajari kemas kini parameter yang sesuai, khususnya untuk senario di mana bilangan kemas kini tertentu akan dibuat. Ia juga boleh mempelajari permulaan umum rangkaian pelajar untuk mencapai penumpuan latihan yang cepat.

Atas ialah kandungan terperinci Aplikasi meta-pembelajaran dalam pembelajaran mesin. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!