یک رویکرد یادگیری نیمه نظارتی جدید مبتنی بر مدل های مولد مکرر روزآمد شده برای تعیین ساختار داده ها

یادگیری فعال مبتنی بر مخزن، الگویی است که در آن از کاربران (برای مثال، متخصصین دامنه ها) به صورت مکرر در ارتباط با برچسب گذاری دادههای برچسب گذاری نشده ی اولیه سوال میشود، برای مثال، برای آموزش یک طبقه بندی کننده از میان این دادهها. یک استراتژی انتخابی مناسب میبایست دادههای برچسب گذاری نشده را برای چنین پرسش و پاسخهای به صورت اثربخش و بهینه انتخاب کند (به صورت کلی، عملکرد طبقه بندی قوی با هزینه ی برچسب گذاری پایین). ما در رویکرد یادگیری فعال هدایتی مان یک مخزن دادهی کاملا0 برچسب گذاری شده را در هر چرخه ی یادگیری فراهم میآوریم (نمونه ها یا توسط متخصصین و یا به صورت نیمه نظارتی طبقه بندی میشوند). در نتیجه، یک بعد اساسی، جستجو و پیمایش در اطلاعات مربوط به ساختار در دادهها است. ساختار در دادهها را میتوان با استفاده از الگوریتم های خوشه بندی یا احتمالی، مثلا0 تکنیک های مدل سازی مولد مدلسازی و تشخیص داد. معمولا0 این امر در شروع فرآیند یادگیری فعال و وقتی دادهها هنوز برچسب گذاری نشده اند انجام میشود. ما در این رویکرد نشان میدهیم که یک مدل مولد احتمالی را که با دادههای برچسب گذاری در ابتدا پارامتربندی شده اند چگونه میتوان به صورت تکراری اصلاح کرد و بهبود بخشید، وقتی که در خلال فرآیند یادگیری فعال، برچسبهای بیشتر و بیشتری در اختیار ما قرار میگیرند. در هر چرخهی فرآیند یادگیری فعال را به طبقه بندی کنندهای که میخواهیم آموزش دهیم. بنابراین، این فرآیند یادگیری فعال هدایتی را میتوان با هر استراتژی انتخابی و هر نوع طبقه بندی کننده ی مورد نظر ترکیب کرد. در این جا، ما آن را با استراتژی انتخاب 4DS و طبقه بندی کننده ی احتمالی CMM شرح داده شده در کارهای پیشین ترکیب میکنیم. برای 20 مجموعه دادهی معیار موجود به صورت عمومی، ما نشان میدهیم که این فرآیند یادگیری هدایتی جدید به بهبود قابل توجه یادگیری فعال مبتنی بر مخزن کمک میکند.

کلیدواژه ها:

یادگیری فعال مبتنی بر مخزن ، مدل با مولفه های جداگانه ، مدلسازی مولد ، یادگیری نیمه نظارتی ، یادگیری هدایتی