Language
Country/Area
No result found
Potensi data yang tidak berlabel: mengapa data tersebut begitu penting untuk pembelajaran mesin?
Dengan munculnya model bahasa yang besar, pentingnya data yang tidak berlabel dalam pembelajaran mesin telah meningkat secara dramatis. Model ini disebut pembelajaran yang diawasi secara lemah, atau pembelajaran semi-supervised. Inti dari pembelajaran ini adalah menggabungkan sejumlah kecil data yang diberi label oleh manusia dengan sejumlah besar data yang tidak berlabel untuk pelatihan. Ini berarti bahwa hanya sebagian dari nilai keluaran data yang diberi label, sedangkan data yang tersisa tidak diberi label atau diberi label secara tidak tepat. Pendekatan ini memberikan solusi yang efisien untuk memanfaatkan sepenuhnya data yang tidak berlabel yang kaya ketika pelabelan mahal dan memakan waktu.
Di bidang pembelajaran mesin modern, biaya untuk memperoleh data yang dianotasi seringkali sangat tinggi, sehingga tidak praktis untuk memiliki set data beranotasi lengkap berskala besar.
Ketika berbicara tentang pelabelan data, banyak akademisi dan insinyur langsung memikirkan biaya tinggi yang terlibat dalam proses pelabelan. Proses ini mungkin memerlukan personel khusus, seperti menyalin klip audio atau melakukan eksperimen fisik untuk mengidentifikasi fenomena tertentu. Oleh karena itu, pembelajaran semi-supervised tidak hanya menarik secara teoritis, tetapi juga benar-benar memberikan solusi yang layak untuk berbagai masalah. Ini menjadi alat yang ampuh untuk menjembatani antara data berlabel dan tidak berlabel.
Teknologi pembelajaran semi-supervised mengasumsikan korelasi tertentu, yang memungkinkannya untuk memanfaatkan sejumlah besar data yang tidak berlabel untuk meningkatkan kinerja klasifikasi secara signifikan.
Teknik pembelajaran semi-supervised mengasumsikan kemampuan untuk mengekstrak informasi yang bermakna dari distribusi data yang mendasarinya. Teknik-teknik ini mencakup asumsi kontinuitas, asumsi pengelompokan, dan asumsi manifold. Asumsi-asumsi ini membantu mempelajari struktur dari data yang tidak berlabel, misalnya, ketika titik-titik data saling berdekatan, mereka cenderung memiliki label yang sama. Selain itu, data sering kali membentuk kluster diskrit, sehingga titik-titik dalam kluster yang sama dapat berbagi label. Dengan asumsi ini, pembelajaran semi-supervised dapat mempelajari karakteristik intrinsik data dengan lebih efisien.
Hipotesis manifold menyatakan bahwa data sering kali terletak pada manifold berdimensi rendah. Pandangan ini memungkinkan proses pembelajaran untuk menghindari kutukan dimensionalitas.
Sejarah pembelajaran semi-supervised dapat ditelusuri kembali ke metode pelatihan mandiri pada tahun 1960-an. Kemudian, pada tahun 1970-an, Vladimir Vapnik secara resmi memperkenalkan kerangka pembelajaran konduktif dan mulai mengeksplorasi pembelajaran terinduksi menggunakan model generatif. Metode-metode ini mulai menjadi pusat perhatian dalam penelitian teoretis dan mendorong pengembangan pembelajaran mesin.
Dalam aplikasi praktis, berbagai metode saling terkait, membentuk ekosistem yang relatif kompleks. Model generatif pertama-tama memperkirakan distribusi data di bawah kategori yang berbeda, yang memungkinkan model untuk belajar secara efektif bahkan ketika data yang dianotasi tidak mencukupi. Demikian pula, metode pemisahan kepadatan rendah mencapai tujuan pemisahan data berlabel dari data tak berlabel dengan menggambar batas di area tempat titik data jarang.
Dalam rangkaian teknik ini, regularisasi Laplacian menggunakan representasi grafik untuk melakukan pembelajaran data. Grafik ini menghubungkan setiap sampel berlabel dan tak berlabel melalui kesamaan, menekankan hubungan internal data melalui struktur grafik, dan selanjutnya menggunakan data tak berlabel untuk mendorong proses pembelajaran.
Secara teoritis, pembelajaran semi-supervised adalah model yang mensimulasikan proses pembelajaran manusia, yang membuatnya menarik dan praktis.
Singkatnya, munculnya pembelajaran dengan supervisi lemah justru untuk memecahkan tantangan kelangkaan data berlabel dan menunjukkan potensi besar data tak berlabel. Dengan pertumbuhan data yang cepat dan evolusi berkelanjutan teknologi pembelajaran mesin, kita mungkin perlu memikirkan kembali: Bagaimana kita harus memanfaatkan potensi data tak berlabel dengan lebih baik dalam penelitian mendatang?
