یادگیری خودنظارتی
From Wikipedia, the free encyclopedia
یادگیری خود نظارتی ( SSL ) یک الگوی یادگیری ماشین و روش های مرتبط برای پردازش دادههای بدون برچسب است که برای به دست آوردن بازنمایی های مفیدی که در وظایف یادگیری پسین کمک می کنند، قابل استفاده است. برجستهترین ویژگی روش SSL این است که نیازی به برچسب های انسانی ندارد و به گونهای طراحی شدهاست که برای پردازش، از مجموعه داده هایی که بدون برچسب هستند، استفاده کند.
مرحله اول، مرحله معمول SSL شامل سیگنالهای نظارتی یادگیری (برچسب های تولید شده به صورت خودکار) است، که در مراحل دوم و بعدی برای برخی از وظایف یادگیری تحت نظارت از آن استفاده می شود. به همین دلیل، SSL می تواند به عنوان یک شکل میانی از یادگیری بدون نظارت و یادگیری با نظارت توصیف شود.
روش معمول SSL بر اساس شبکه عصبی مصنوعی یا مدل دیگری مانند لیست تصمیم گیری می باشد[1]. در این روش، مدل دو مرحله یادگیری دارد. در مرحله اول با استفاده از برچسب های مصنوعی، مسئله برای یک وظیفه ی کلاس بندی فرعی یا پیش فرض حل می شود. این برچسب ها به مقداردهی اولیه ی پارامترهای مدل کمک می کنند[2][3]. در مرحله ی دوم، وظیفه ی اصلی با استفاده از یادگیری تحت نظارت یا بدون نظارت انجام می شود[4][5][6]. وظایف فرعی دیگر، شامل تکمیل الگو از پترن های ورودی پوشانده شده می باشند.
در سال 2013، یادگیری خود نظارتی به عنوان "خود برچسب گذاری" نامیده شد. خود برچسب گذاری بر اساس مقادیر متغیرهای ورودی، برچسب ها را تولید می کند. به عنوان مثال، اجازه میدهد تا از روش های یادگیری با نظارت در سریهای زمانی بدون برچسب استفاده شود.
یادگیری خود نظارتی در سال های اخیر نتایج قابل قبولی را به دست آورده است و در پردازش سیگنالهای صوتی به کار گرفته شده است و همچنین توسط فیس بوک و بقیه ی شرکت ها برای تشخیص گفتار استفاده میشود[7]. یکی از مزایای اصلی یادگیری خودنظارتی این است که آموزش می تواند با داده های با کیفیت پایین هم انجام شود به جای اینکه بهبود نتایج نهایی مورد هدف قرار گرفته باشد. یادگیری خود نظارتی، به روشی که انسان ها برای طبقه بندی اشیاء یاد می گیرند، نزدیک تر است که باعث کاربرد و جذابیت بیشتر این روش می شود.[8]