Ученый искусственного интеллекта: целостный подход к обучению без учителя
Полу-контролируемое обучение продемонстрировало, что это мощный подход к использованию немаркированных данных, позволяющий снизить зависимость от больших помеченных наборов данных. С этой целью группа исследователей Google объединила передовые полууправляемые подходы, чтобы разработать новый алгоритм MixMatch. MixMatch работает, угадывая метки с низкой энтропией для немеченых примеров с расширенными данными и смешивая помеченные и немеченые данные с помощью MixUp.
При оценке MixMatch получает самые современные результаты с большим отрывом для многих наборов данных и помеченных объемов данных. Например, для CIFAR-10 с 250 метками частота ошибок снизилась с 38% до 11%) и в 2 раза на STL-10.
Возможное использование и эффекты
MixMatch показал значительно улучшенную производительность по сравнению с традиционными методами. Но это еще не все, исследователи проявили дополнительный интерес к интеграции дополнительных идей из литературы по полу-контролируемому обучению в гибридные методы и продолжают изучать, какие компоненты могут привести к более эффективным алгоритмам.
На данный момент MixMatch может помочь достичь значительно лучшего компромисса между точностью и конфиденциальностью в пользу дифференциальной конфиденциальности.
Подробнее: https://arxiv.org/abs/1905.02249v1
Спасибо за чтение. Прокомментируйте, поделитесь и не забудьте подписаться на нашу еженедельную новостную рассылку AI Scholar, чтобы получать самые свежие и интересные исследования! Вы также можете подписаться на меня в Twitter и LinkedIn. Не забудьте 👏, если вам понравилась эта статья. Ваше здоровье!
