Περιεχόμενο
Ερ:
Πώς μπορούν οι μηχανικοί να χρησιμοποιήσουν την ενίσχυση της κλίσης για να βελτιώσουν τα συστήματα εκμάθησης μηχανών;
ΕΝΑ:
Όπως και άλλα είδη ενίσχυσης, η ενίσχυση της κλίσης επιδιώκει να μετατρέψει τους πολλούς αδύναμους εκπαιδευόμενους σε έναν ενιαίο ισχυρό μαθητή, σε ένα είδος ψηφιακού "crowdsourcing" του δυναμικού μάθησης. Ένας άλλος τρόπος με τον οποίο κάποιοι εξηγούν την ενίσχυση της κλίσης είναι ότι οι μηχανικοί προσθέτουν μεταβλητές για να τελειοποιήσουν μια ασαφή εξίσωση, προκειμένου να παράγουν πιο ακριβή αποτελέσματα.
Η ενίσχυση της κλίσης περιγράφεται επίσης ως μια "επαναληπτική" προσέγγιση, με τις επαναλήψεις να χαρακτηρίζονται ενδεχομένως ως η προσθήκη ξεχωριστών αδύναμων μαθητών σε ένα ενιαίο μοντέλο ισχυρού μαθητή.
Υπάρχει μια συναρπαστική περιγραφή για το πώς να εξετάσουμε έναν τύπο κλίσης που ενισχύει την εφαρμογή που θα ενισχύσει τα αποτελέσματα της μηχανικής μάθησης:
Οι διαχειριστές του συστήματος δημιούργησαν πρώτα ένα σύνολο αδύναμων εκπαιδευομένων. Σκεφτείτε τους, για παράδειγμα, ως μια σειρά οντοτήτων A-F, καθένα κάθισε γύρω από ένα εικονικό τραπέζι και ασχολήθηκε με ένα πρόβλημα, για παράδειγμα, την ταξινόμηση δυαδικών εικόνων.
Στο παραπάνω παράδειγμα, οι μηχανικοί θα βαρύνουν αρχικά κάθε αδύναμο μαθητή, ενδεχομένως αυθαίρετα, αναθέτοντας ένα επίπεδο επιρροής στους Α, Β, Γ κ.λπ.
Στη συνέχεια, το πρόγραμμα θα εκτελέσει ένα δεδομένο σύνολο εικόνων κατάρτισης. Στη συνέχεια, λαμβάνοντας υπόψη τα αποτελέσματα, θα επαναπροσδιορίσει τη σειρά αδύναμων μαθητών. Αν ένας Μάντεψε πολύ καλύτερα από τα Β και Γ, η επιρροή θα αυξηθεί αναλόγως.
Σε αυτήν την απλοϊκή περιγραφή μιας ενίσχυσης ενίσχυσης του αλγορίθμου, είναι σχετικά εύκολο να δούμε πώς η πιο σύνθετη προσέγγιση θα αποφέρει ενισχυμένα αποτελέσματα. Οι αδύναμοι μαθητές "σκέπτονται μαζί" και με τη σειρά τους βελτιστοποιούν ένα πρόβλημα ML.
Ως αποτέλεσμα, οι μηχανικοί μπορούν να χρησιμοποιήσουν την προσέγγιση του "ensemble" της ενίσχυσης κλίσης σε σχεδόν οποιοδήποτε έργο ML, από την αναγνώριση εικόνας έως την ταξινόμηση των συστάσεων των χρηστών ή την ανάλυση της φυσικής γλώσσας. Το ουσιαστικά "ομαδικό πνεύμα" της ML, και αυτό που παίρνει μεγάλη προσοχή από μερικούς ισχυρούς παίκτες.
Η ενίσχυση της κλίσης ειδικότερα συχνά λειτουργεί συχνά με μια διαφοροποιήσιμη λειτουργία απώλειας.
Σε ένα άλλο μοντέλο που χρησιμοποιείται για να εξηγήσει την ενίσχυση της κλίσης, μια άλλη λειτουργία αυτού του είδους ενίσχυσης είναι να είναι σε θέση να απομονώσει ταξινομήσεις ή μεταβλητές που σε μια μεγαλύτερη εικόνα είναι απλά θόρυβος. Διαχωρίζοντας κάθε δέντρο παλινδρόμησης μεταβλητών ή δομή δεδομένων στον τομέα ενός ασθενούς μαθητευόμενου, οι μηχανικοί μπορούν να δημιουργήσουν μοντέλα που θα αποκωδικοποιούν με μεγαλύτερη ακρίβεια τους θόρυβους. Με άλλα λόγια, ο σηματοδότης που καλύπτεται από τον άτυχο αδύναμο μαθητή θα περιθωριοποιηθεί, καθώς ο ασθενής μαθητής αναπροσαρμόζεται προς τα κάτω και δέχεται λιγότερη επιρροή.