आंशिक-लेबल लर्निंग में संरचना-अवेयर अलाइनमेंट से AI की सटीकता कैसे बढ़ती है
We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.
कृत्रिम बुद्धिमत्ता के क्षेत्र में एक पुरानी चुनौती मौजूद है। बिल्कुल सही लेबल वाले डेटा को प्राप्त करना दुर्लभ और महंगा होता है। शोधकर्ताओं ने इसका हल आंशिक-लेबल लर्निंग में खोजा है। इस विधि से मॉडल्स धुंधली निगरानी से सीख सकते हैं। हर उदाहरण के साथ लेबल्स का एक समूह दिया जाता है। इनमें से केवल एक सही होता है। सबसे बड़ी मुश्किल यह पहचानना है कि कई संभावनाओं में से सच्चाई कौन सी है।
हालिया तरीकों ने स्थानीय भेदक उद्देश्यों पर ध्यान केंद्रित किया है। ये दृष्टिकोण छोटे गुच्छों के भीतर प्रतिनिधित्व की गुणवत्ता सुधारते हैं। लेकिन वे अक्सर डेटा स्पेस की वैश्विक संरचना को नजरअंदाज कर देते हैं। इस गलती के कारण कक्षाओं के बीच के प्रतिनिधितव बहुत फैल जाते हैं। इस बिखराव से मॉडल की सामान्यीकरण और मजबूती कमजोर हो सकती है। सवाल यह बना रहता है कि जरूरी जानकारी खोए बिना घने गुच्छे कैसे बनाए जाएं।
RDAP नामक नया फ्रेमवर्क इस खास कमी को पूरा करता है। इसका पूरा नाम Representation Difference Alignment for Partial-Label Learning है। यह टूल संरचना-अवेयर रेगुलराइजेशन पेश करता है। यह कक्षाओं के बीच के अंतर के सापेक्ष बिखराव को स्पष्ट रूप से संभालता है। सिस्टम सही जवाबों के बजाय अनुमानित लेबल वितरण का उपयोग करता है। इससे प्रशिक्षण के दौरान बिल्कुल सही एनोटेशन की जरूरत नहीं रहती।
RDAP कुलबैक-लाइबलर डाइवर्जेंस पर आधारित वजन रणनीति अपनाता है। लेबल की धुंधली स्थिति में यह अनुकूली मार्गदर्शन प्रदान करता है। स्टोकेस्टिक रिप्रजेंटेशन मैस्किंग कंप्यूटेशनल लागत को और कम करती है। विधि रिप्रजेंटेशन आयामों के अलग-अलग उपसमुच्चयों का मूल्यांकन करती है। इससे दक्षता बढ़ती है और उच्च सटीकता बनी रहती है। यह दृष्टिकोण सटीकता और गति के बीच संतुलन ढूंढने जैसा लगता है।
विस्तृत प्रयोगों से इस फ्रेमवर्क की प्रभावशीलता की पुष्टि होती है। टेस्ट में CIFAR-10 और CIFAR-100 जैसे विविध डेटासेट शामिल थे। Lost और MSRCv2 जैसे वास्तविक दुनिया के बेंचमार्क्स भी इस्तेमाल किए गए। परिणामों में विभिन्न प्रोटोकॉल पर लगातार सुधार दिखा। इनमें यूनिफॉर्म रैंडम फ्लिपिंग और इंस्टेंस-डिपेंडेंट फ्लिपिंग दोनों स्थितियां शामिल थीं।
मौजूदा पाइपलाइन में इसकी एकीकरण के लिए कोई आर्किटेक्चरल बदलाव की जरूरत नहीं। RDAP PRODEN, PaPi और PoP जैसे टूल्स के साथ सहजता से काम करता है। CIFAR-10 पर इंस्टेंस-डिपेंडेंट लेबल्स के साथ PaPi विधि को लगभग छह प्रतिशत अंक की सटीकता मिली। एबलेशन अध्ययनों से पता चलता है कि KL-डाइवर्जेंस वजन सरल झूठे लेबल रणनीतियों से बेहतर है। यह खास तब सही है जब भविष्यवाणी की आत्मविश्वास में अंतर होता है।
प्रति एपॉक प्रशिक्षण समय में मामूली वृद्धि होती है। इस व्यापार के बदले प्रतिनिधित्व की गुणवत्ता में भारी लाभ मिलता है। यह हल्का प्लग-एंड-प्ले समाधान लचीलापन प्रदान करता है। यह गहन शिक्षण प्रणालियों को वास्तविक दुनिया के डेटा की कमियों से बेहतर तरीके से निपटने में मदद करता है। भविष्य का शोध संभवतः बड़े पैमाने पर अनुप्रयोगों के लिए पेयरवाइज रेगुलराइजेशन को अनुकूलित करने पर केंद्रित होगा। आगे का रास्ता ऐसे मजबूत AI सिस्टम की ओर इशारा करता है जो जटिल लेबलिंग स्थितियों का प्रबंधन कर सकें।