OtthonhírekÖnkéntes tanulás a kontextusokkal

Önkéntes tanulás a kontextusokkal

A világmodellek és a transzformátorok kihasználásával áthidalja a szakadékot az emberszerű alkalmazkodóképesség és a mesterséges intelligencia között, előkészítve az utat a tisztességesebb, hatékonyabb algoritmusok számára.

Az önmegőrzött tanulás (SSL), a gépi tanulás növekvő paradigmája, átalakítja, hogy a modellek hogyan tanulnak a címkézett adatok nélkül.Az SSL módszerek hagyományosan az előre meghatározott adatnövelésekre támaszkodnak, az invariancia vagy a specifikus transzformációkkal való egyenjogosodás végrehajtására.Ezek az induktív prériák azonban gyakran korlátozzák a rugalmasságot a különféle feladatok során.

A MIT CSAIL és a Müncheni Műszaki Egyetem kutatói által kifejlesztett kontextuális önkormányzati tanulás (ContextSSL) nevű megközelítés foglalkozik ezekkel a korlátozásokkal.A ContextSSLS bevezet egy mechanizmust, ahol a reprezentációk dinamikusan alkalmazkodnak a feladat-specifikus kontextuson alapulnak, és megszüntetik az ismétlődő átképzés szükségességét.A ContextSSL alapvető eleme magában foglalja a világmodelleket-az ügynök környezetének absztrakt ábrázolását-, és egy transzformátor modult használ arra, hogy ezeket az állam-action-next-state hármas szekvenciákként kódolja.A kontextusban való részvétel révén a modell meghatározza, hogy mikor kell végrehajtani az invarianciát vagy az ekvivalenciát, a feladatkövetelményektől függően.

Az olyan referenciaértékek, mint a 3DieBench és a CIFAR-10, kiterjedt tesztelés révén a ContextSSL figyelemre méltó sokoldalúságot mutatott.Például az orvosi tartományban, a MIMIC-III adatkészlet felhasználásával, a ContextSSL ábrázolta annak reprezentációját a nemek-specifikus orvosi diagnosztikai feladatokhoz, ahol az ekvivalencia kritikus volt.Ezzel egyidejűleg biztosította a méltányosságot az olyan eredmények előrejelzésében, mint a kórházi tartózkodás hossza, hangsúlyozva az invarianciát.

Ez az alkalmazkodóképesség biztosítja a jobb teljesítményt a mutatók között, mint például az kiegyenlített esélyek (EO) és az Equality of Opportunity (EOPP), miközben javítja az érzékeny tulajdonságok, például a nemek előrejelzési pontosságát is.A transzformátor modellek kihasználásával a kontextus tanulásához a ContextSSL hatékonyan kiegyensúlyozza az invarianciát és az ekvivalenciát feladat-specifikus módon.Ez egy jelentős lépés a rugalmasabb, általános célú SSL-keretek létrehozása felé.A ContextSSL-vel a gépi tanulás jövője hatékonyabb és adaptív algoritmusokat ígér, az emberszerű érvelés és a mesterséges intelligencia közötti rések áthidalása.

"Az egyes feladatok finomhangolása helyett egy általános célú rendszer létrehozására törekszünk, amely képes alkalmazkodni a különféle környezetekhez, hasonlóan az emberi tanuláshoz"-mondja Sharut Gupta, a CSAIL Ph.D.A tanulmány hallgatója és vezető szerzője.