Bir algılayıcı unutabilir mi?


16

Kullanıcıların sürekli olarak sınıflandırılmış örnekler ekleyebildiği ve modelin çevrimiçi olarak güncellenebileceği çevrimiçi web tabanlı bir makine öğrenme sistemi oluşturmak istiyorum. Bir algılayıcı veya benzer bir çevrimiçi öğrenme algoritması kullanmak istiyorum.

Ancak, kullanıcılar hata yapabilir ve alakasız örnekler ekleyebilir. Bu durumda, algılayıcıyı tüm örnekler kümesi üzerinde yeniden eğitmeden (çok büyük olabilir) belirli bir örneği silme seçeneğine sahip olmak istiyorum.

Mümkün mü?


çok ilginç bir fikir. bunu resmileştirmek için çabaladınız mı?
Strin

Algılayıcı modelinizin ve sınıflandırıcısının özellikleri göz önüne alındığında, örneği düzeltilmiş bir sınıflandırmayla yeniden eklediğinizde ne olur? Bu, yanlış iç katman nöronları üzerindeki ağırlığı azaltmaz ve sağ iç katman nöronları üzerindeki ağırlığı arttırmaz mı?
Gezici Mantık

1
Örneğin tekrar yerleştirilmesi bir şekilde yardımcı olabilir, ancak bu durumda algılayıcının doğruluğu ve yakınsama kanıtlarının bu durumda tutacağından emin değilim (yani sonuçların hatalı örneğin olduğu durumla aynı olacağından emin değilim. ilk etapta yerleştirilmemiştir).
Erel Segal-Halevi

Saf bir çözüm olarak, her yeni numune eklenmeden önce algılayıcının ağırlıklarının kaydını tutabilirsiniz. Daha sonra, bir örneği ortadan kaldırmak istediğinizde, "kötü" örnek eklenmeden önce algılayıcının ağırlıklarını değerlerine (yeniden) ayarlayın ve "kötü" olandan sonra eklenen tüm geçerli örneklerle algılayıcıyı yeniden eğitin. Bu, bazı yeniden eğitimleri içerecektir, ancak tüm örnekler üzerinde değil. Tabii ki, örneklerin kayıtlarını ve bunlarla ilişkili ağırlıkları da saklamanız gerekir.
rphv

Yanıtlar:


6

Süreci anladığım kadarıyla, bir algıyı yeniden eğitmeden değiştirmek imkansız. Ağırlık ayarlamaları sadece bu belirli örneğe değil, aynı zamanda daha önce yapılmış olan diğer eğitim örneklerine de göredir. Yanlış sınıflandırılmış örneği tanımlamak ve modeli yeniden eğitmeden önce test kümesinden kaldırmak, ağırlıkları düzeltmenin en etkili yolu gibi görünmektedir.

Sanırım diğer makine öğrenme algoritmalarına kıyasla , algılayıcıların gürültü ve eğitim setindeki yanlış sınıflandırılmış örneklere nispeten dirençli olduğunu belirtmek gerekir . Çok sayıda yanlış sınıflandırılmış örnekle karşılaşıyorsanız, eğitimden önce verileri aldığınız noktada, algılayıcı eğitildikten sonra yanlış sınıflandırılmış örnekleri düzeltmenin bir yolunu bulmaktan daha iyi bir doğrulama yapmak daha ihtiyatlı görünecektir. Bu mümkün değilse ve yanlış sınıflandırılmış örnekleri bu şekilde tanımlayabiliyorsanız, bunları kaldırmak ve yeniden eğitmek, yanlış sınıflandırılan örneklerin etkisini etkili bir şekilde kaldırmanın tek yolu gibi görünebilir.

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.