Μεταφορά μάθησης μέσω νευρωνικών δικτύων
Loading...
Date
2023-06-19
Authors
Κυριακόπουλος, Κωνσταντίνος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η ανάπτυξη της τεχνολογίας, αλλά και η συλλογή τεράστιου όγκου δεδομένων έχει
δημιουργήσει την ανάγκη για επεξεργασία και εξαγωγή συμπερασμάτων μέσω αυτών.
Η επιστήμη δεδομένων και ιδιαίτερα η μηχανική μάθηση αποτελεί τον τομέα στον
οποίο πραγματοποιείται η έρευνα γύρω από τον τρόπο με τον οποίο εξάγονται τα
εν λόγω συμπεράσματα. Ο τρόπος αυτός είναι η κατασκευή αποδοτικών μοντέλων
μηχανικής μάθησης με στόχο την αποτελεσματικότερη γενίκευση στα αντίστοιχα δε-
δομένα. Σε επίπεδο δεδομένων, σε πολλές περιπτώσεις η συλλογή είναι δύσκολη,
ακριβή, μή προσβάσιμη, ενώ σε άλλες χρειάζεται τον ανθρώπινο παράγοντα για την
ετικετοποίησή τους. Σε επίπεδο μοντέλων, η εκπαίδευσή τους λόγω του μικρού πλή-
θους ετικετοποιημένων δεδομένων, αλλά και των λίγων διαθέσιμων υπολογιστικών
πόρων, καθιστά δύσκολη την αποτελεσματική κατασκευή προβλεπτικών μοντέλων
για τα αντίστοιχα προβλήματα.
Η παρούσα εργασία μελετά έναν αποτελεσματικό τρόπο με τον οποίο μπορούμε
να αντιμετωπίσουμε τα προβλήματα αυτά χρησιμοποιώντας μια ανθρώπινη ιδιότητα.
Αυτή καλείται μεταφορά μάθησης. Η κύρια ιδέα είναι η επαναχρησιμοποίηση γνώ-
σης από προγενέστερο πρόβλημα σε κάποιο άλλο καινούργιο. Απαραίτητο στοιχείο
για την εφαρμογή της είναι η ομοιότητα μεταξύ τους. Τα είδη μεταφοράς μάθησης
διαφοροποιούνται ανάλογα με την ομοιότητα των τομέων, των δεδομένων και του
τρόπου με τον οποίο θα πραγματοποιηθεί αυτή. Στην παρούσα εργασία εστιάζουμε
στη μεταφορά μάθησης μέσω νευρωνικών δικτύων καθώς αποτελούν τα ευρέως χρη-
σιμοποιούμενα μοντέλα για πολύ γνωστές εφαρμογές, όπως η αναγνώριση εικόνων,
η αναγνώριση και επεξεργασία λόγου και ήχου.
Χρησιμοποιώντας τη δομή των νευρωνικών δικτύων καθίσταται αρκετά εύκολη
η εφαρμογή της μεταφοράς μάθησης μέσω προεκπαιδευμένων δικτύων από εταιρίες
κολοσσούς. Εστιάζοντας στα νευρωνικά δίκτυα αναλύουμε και τον τρόπο με τον
οποίο επεξεργαζόμαστε και φιλτράρουμε τη πληροφορία μέσα από αυτά.
Πλεονέκτημα της συγκεκριμένης μεταφοράς όπως θα δούμε είναι η επαναχρησι-
μοποίηση ισχυρών προεκπαιδευμένων μοντέλων, σε πολλές περιπτώσεις χωρίς την
ανάγκη για περισσότερα ετικετοποιημένα δεδομένα, ενώ μειονέκτημα αποτελεί το
φαινόμενο της αρνητικής μεταφοράς μάθησης το οποίο εμφανίζεται σε περιπτώσεις
που υπάρχει μικρή ομοιότητα μεταξύ των προβλημάτων και των κατανομών των
δεδομένων.
Description
Keywords
Μεταφορά μάθησης, Μηχανική μάθηση