Aprenentage actiu (aprenentage automàtic)

L'aprenentage actiu és un cas especial d'aprenentage automàtic en el que un algoritme d'aprenentage pot interactuar de manera interactiva en un usuari (o una atra font d'informació) per a etiquetar nous punts de senyes en les eixides desijades.^[1]^[2]^[3] En la lliteratura estadística, a voltes també se li crida disseny experimental òptim.^[4] La font d'informació també es diu professor o oràcul.

Existixen situacions en les que les senyes sense etiquetar són abundants pero la etiquetación manual és costosa. En dit escenari, els algoritmes d'aprenentage poden consultar activament a l'usuari/professor per a obtindre etiquetes. Este tipo d'aprenentage supervisat iterativo es diu aprenentage actiu. Ya que l'aprenent elegix els eixemples, el número d'eixemples necessaris per a deprendre un concepte a sovint pot ser molt menor que el necessari en l'aprenentage supervisat normal. En este enfocament, existix el risc de que l'algoritme siga abrumar per eixemples poc informatius. Els desenrolls recents es dediquen a l'aprenentage actiu de múltiples etiquetes,^[5] a l'aprenentage actiu híbrit^[6] i a l'aprenentage actiu en un context d'una sola passada (en llínea),^[7] combinant conceptes del camp de l'aprenentage automàtic (per eixemple, conflicte i ignorança) en polítiques d'aprenentage adaptatiu i incremental en el camp del aprenentage automàtic en llínea.

Els proyectes d'aprenentage actiu a gran escala poden beneficiar-se de marcs de crowdsourcing com Amazon Mechanical Turk, que inclouen a molts sers humans en el cicle d'aprenentage actiu.

Definicions

Siga $T$ el conjunt total de totes les senyes en consideració. Per eixemple, en un problema d'ingenieria de proteïnes, $T$ inclouria totes les proteïnes conegudes que tenen una certa activitat interessant i totes les proteïnes adicionals que es puguen voler provar per a eixa activitat.

Durant cada iteración, i, $T$ es dividix en tres subconjunts:

$𝐓_{K, i}$ : Punts de senyes l'etiqueta de les quals és coneguda.
$𝐓_{U, i}$ : Punts de senyes l'etiqueta de les quals és desconeguda.
$𝐓_{C, i}$ : Un subconjunt de $𝐓_{U, i}$ que es elegix per a ser etiquetat.

La major part de l'investigació actual en aprenentage actiu se centra en el millor método per a elegir els punts de senyes per a $𝐓_{C, i}$ .

Escenaris

Síntesis de consulta de membresía (en anglés: Membership Query Synthesis): L'aprenent genera la seua pròpia instància a partir d'una distribució natural subjacent. Per eixemple, si el conjunt de senyes són imàgens d'humans i animals, l'aprenent podria enviar una image retallada d'una cama al professor i preguntar si este apèndix pertany a un animal o un humà. Açò és particularment útil si el conjunt de senyes és menut.^[8]
Mostreig basat en fondo (en anglés: Pool-Based Sampling): En este escenari es prenen instàncies de tot el conjunt de senyes i se'ls assigna un puntaje de confiança, una mida de cuán ben l'aprenent "comprén" les senyes. Després, el sistema selecciona les instàncies per a les quals té menys confiança i consulta al professor les etiquetes.
Mostreig selectiu basat en fluix (en anglés: Stream-Based Selective Sampling): S'examina cada punt de senyes no etiquetage, un al mateix temps, en la màquina evaluant el grau de informatividad de cada element segons els seus paràmetros de consulta. L'aprenent decidix per sí mateixa si assignar una etiqueta o consultar al professor per a cada punt de senyes.

Vore també

Referències

↑ «Active Learning Literature Survey» (en en). University of Wisconsin–Madison. Consultat el 2014-11-18.
↑ Rubens, Neil; Elahi, {{{nom2}}}; Sugiyama, {{{nom3}}}; Kaplan, {{{nom4}}} (2016). «Active Learning in Recommender Systems», Recommender Systems Handbook, 2 edició (en en), Springer US. doi:10.1007/978-1-4899-7637-6. ISBN 978-1-4899-7637-6.
↑ Dones, Shubhomoy; Wong, {{{nom2}}}; Dietterich, {{{nom3}}}; Fern, {{{nom4}}} (2016). «Incorporating Expert Feedback into Active Anomaly Discovery», Bonchi Francesco, Dumenge-Ferrer Josep, Baeza-Yates Ricardo, Zhou Zhi-Hua, Wu Xindong (ed.). IEEE 16th International Conference on Data Mining (en en), IEEE, pp. 853–858. doi:10.1109/ICDM.2016.0102. ISBN 978-1-5090-5473-2.
↑ «A literature survey of active machine learning in the context of natural language processing» (en en).
↑ «Effective multi-label active learning for text classification».Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining - KDD '09.doi:10.1145/1557019.1557119.
↑ «Hybrid active learning for reducing the annotation effort of operators in classification systems».Pattern Recognition.45(2)
884–896.doi:10.1016/j.patcog.2011.08.009.
↑ «Active learning via query synthesis and nearest neighbour search».Neurocomputing.
426–434.doi:10.1016/j.neucom.2014.06.042.
↑ «Active learning via query synthesis and nearest neighbour search».Neurocomputing.147
426–434.

Este artícul conté una traducció derivada de «Aprendizaje activo (aprendizaje automático)» de Wikipedia en castellà publicada baix la Llicència de documentació lliure de GNU i la Llicència Creative Commons Reconeiximent-CompartirIgual 4.0 Internacional.

[:0-1] «Active Learning Literature Survey» (en en). University of Wisconsin–Madison. Consultat el 2014-11-18.

[2] Rubens, Neil; Elahi, {{{nom2}}}; Sugiyama, {{{nom3}}}; Kaplan, {{{nom4}}} (2016). «Active Learning in Recommender Systems», Recommender Systems Handbook, 2 edició (en en), Springer US. doi:10.1007/978-1-4899-7637-6. ISBN 978-1-4899-7637-6.

[3] Dones, Shubhomoy; Wong, {{{nom2}}}; Dietterich, {{{nom3}}}; Fern, {{{nom4}}} (2016). «Incorporating Expert Feedback into Active Anomaly Discovery», Bonchi Francesco, Dumenge-Ferrer Josep, Baeza-Yates Ricardo, Zhou Zhi-Hua, Wu Xindong (ed.). IEEE 16th International Conference on Data Mining (en en), IEEE, pp. 853–858. doi:10.1109/ICDM.2016.0102. ISBN 978-1-5090-5473-2.

[:1-4] «A literature survey of active machine learning in the context of natural language processing» (en en).

[5] «Effective multi-label active learning for text classification».Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining - KDD '09.doi:10.1145/1557019.1557119.

[6] «Hybrid active learning for reducing the annotation effort of operators in classification systems».Pattern Recognition.45(2)
884–896.doi:10.1016/j.patcog.2011.08.009.

[7] «Active learning via query synthesis and nearest neighbour search».Neurocomputing.
426–434.doi:10.1016/j.neucom.2014.06.042.

[8] «Active learning via query synthesis and nearest neighbour search».Neurocomputing.147
426–434.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]