Language
Country/Area
No result found
O potencial dos dados não rotulados: por que eles são tão importantes para o aprendizado de máquina?
Com o surgimento de grandes modelos de linguagem, a importância dos dados não rotulados no aprendizado de máquina aumentou dramaticamente. Este modelo é chamado de aprendizagem fracamente supervisionada ou aprendizagem semissupervisionada. Seu núcleo é combinar uma pequena quantidade de dados rotulados por humanos com uma grande quantidade de dados não rotulados para treinamento. Isso significa que apenas uma parte dos valores de saída dos dados é rotulada, enquanto os dados restantes não são rotulados ou são rotulados de forma imprecisa. Essa abordagem fornece uma solução eficiente para aproveitar ao máximo dados ricos e não rotulados quando a rotulagem é cara e demorada.
No campo do aprendizado de máquina moderno, o custo de obtenção de dados anotados costuma ser extremamente alto, tornando impraticável ter conjuntos de dados anotados completos em grande escala.
Quando se trata de rotulagem de dados, muitos acadêmicos e engenheiros pensam imediatamente nos altos gastos envolvidos no processo de rotulagem. Este processo pode exigir pessoal especializado, como a transcrição de clipes de áudio ou a realização de experimentos físicos para identificar fenômenos específicos. Portanto, a aprendizagem semissupervisionada não é apenas teoricamente interessante, mas também fornece soluções viáveis para vários problemas. Isso se torna uma ferramenta poderosa para fazer a ponte entre dados rotulados e não rotulados.
A tecnologia de aprendizagem semissupervisionada assume uma certa correlação, permitindo utilizar grandes quantidades de dados não rotulados para melhorar significativamente o desempenho da classificação.
A técnica de aprendizagem semissupervisionada pressupõe a capacidade de extrair informações significativas da distribuição subjacente dos dados. Essas técnicas incluem suposições de continuidade, suposições de agrupamento e suposições múltiplas. Essas suposições ajudam a aprender a estrutura de dados não rotulados, por exemplo, quando os pontos de dados estão próximos uns dos outros, é mais provável que tenham o mesmo rótulo. Além disso, os dados geralmente formam clusters discretos, de modo que pontos dentro do mesmo cluster podem compartilhar rótulos. Sob essa suposição, a aprendizagem semissupervisionada pode aprender as características intrínsecas dos dados de forma mais eficiente.
A hipótese múltipla afirma que os dados geralmente estão localizados em variedades de baixa dimensão. Essa visão permite que o processo de aprendizagem evite a maldição da dimensionalidade.
A história da aprendizagem semissupervisionada remonta ao método de autotreinamento na década de 1960. Mais tarde, na década de 1970, Vladimir Vapnik introduziu formalmente a estrutura da aprendizagem condutiva e começou a explorar a aprendizagem induzida usando modelos generativos. Esses métodos começaram a se tornar um ponto importante na pesquisa teórica e a promover o desenvolvimento do aprendizado de máquina.
Em aplicações práticas, vários métodos estão interligados, formando um ecossistema relativamente complexo. O modelo generativo primeiro estima a distribuição dos dados em diferentes categorias, o que permite que o modelo aprenda de forma eficaz mesmo quando não há dados anotados suficientes. Da mesma forma, os métodos de separação de baixa densidade atingem o objetivo de separar dados rotulados de dados não rotulados, traçando limites em áreas onde os pontos de dados são esparsos.
Nesta série de técnicas, a regularização Laplaciana usa representação gráfica para realizar o aprendizado de dados. Esses gráficos conectam cada amostra rotulada e não rotulada por meio de similaridade, enfatizam a conexão interna dos dados por meio da estrutura do gráfico e usam ainda dados não rotulados para conduzir o processo de aprendizagem.
Teoricamente, a aprendizagem semissupervisionada é um modelo que simula o processo de aprendizagem humana, o que o torna atrativo e prático.
Para resumir, o aumento da aprendizagem fracamente supervisionada visa precisamente resolver o desafio da escassez de dados rotulados e demonstra o enorme potencial dos dados não rotulados. Com o rápido crescimento dos dados e a evolução contínua da tecnologia de aprendizagem automática, talvez seja necessário repensar: Como devemos utilizar melhor o potencial dos dados não rotulados em pesquisas futuras?
