Google Pixel 5?
Google ho ha fet va anunciar la disponibilitat de diversos conjunts de dades que inclou imatges naturals diverses però limitades. El gegant de la cerca confia que les dades disponibles públicament impulsaran el ritme de Aprenentatge automàtic i intel·ligència artificial mentre es redueix el temps necessari per entrenar els models d’IA en una quantitat mínima de dades. Google anomena la nova iniciativa 'Meta-Datasets gratuïts' que ajudarà els models d'AI a 'aprendre' amb menys dades. La ‘Few-Shot AI’ de la companyia està optimitzada per garantir que la IA aprengui classes noves només a partir d’unes poques imatges representatives.
En entendre la necessitat de formar ràpidament models d’IA i d’aprenentatge automàtic amb menys conjunts de dades, Google ha llançat ‘Meta-Dataset’, una petita col·lecció d’imatges que hauria d’ajudar a reduir la quantitat de dades necessàries per millorar la precisió dels algorismes. L’empresa afirma que mitjançant tècniques de classificació d’imatges a pocs plans, els models d’IA i ML obtindran les mateixes visions a partir de moltes menys imatges representatives.
Google AI anuncia el conjunt de dades de metalls: un conjunt de dades de conjunts de dades per a l’aprenentatge en poques ocasions:
L’aprenentatge profund per a la intel·ligència artificial i l’aprenentatge automàtic fa un temps que creix exponencialment. Tot i això, el requisit bàsic és la disponibilitat de dades d’alta qualitat i també en grans quantitats. Les grans quantitats de dades de formació anotades manualment sovint són difícils d’adquirir i de vegades també poden ser poc fiables. En entendre els riscos de grans conjunts de dades, Google ha anunciat la disponibilitat d’una col·lecció de meta-dades.
A través de ' Meta-Dataset: conjunt de dades de conjunts de dades per aprendre a aprendre de pocs exemples ”(Presentat a ICLR 2020 ), Google ha proposat un punt de referència diversificat i a gran escala per mesurar la competència de diferents models de classificació d’imatges en un entorn realista i desafiant de pocs plans, oferint un marc en el qual es poden investigar diversos aspectes importants de la classificació de pocs plans. Essencialment, Google ofereix 10 conjunts de dades d’imatges naturals disponibles de forma pública i gratuïta. Aquests conjunts de dades inclouen ImageNet, CUB-200-2011, Fongs, personatges manuscrits i doodles. El codi és públic i inclou un quadern que demostra com es pot utilitzar Meta-Dataset TensorFlow i PyTorch .
La classificació de pocs trets va més enllà de la formació estàndard i models d’aprenentatge profund . Es necessita generalitzar a classes completament noves en el moment de la prova. Dit d’una altra manera, les imatges utilitzades durant les proves no es van veure a l’entrenament. En una classificació de pocs trets, el conjunt d'entrenament conté classes completament disjuntes de les que apareixeran en el moment de la prova. Cada tasca de prova conté un conjunt de suport d'unes poques imatges etiquetades a partir de les quals el model pot aprendre sobre les noves classes i un tema disjunt conjunt de consultes d’exemples que es demana que classifiqui el model.
Un Meta-Dataset és un component important en què el model estudia la generalització a conjunts de dades completament nous , de la qual no es van veure imatges de cap classe en els entrenaments. Això s’afegeix al difícil repte de generalització de les noves classes inherents a la configuració d’aprenentatge de pocs plans.
Com ajuda Meta-Dataset a l’aprenentatge profund per a models d’IA i d’aprenentatge automàtic?
Meta-Dataset representa el punt de referència organitzat a escala més gran per a la classificació d’imatges de diversos conjunts de dades, fins ara. També introdueix un algorisme de mostreig per generar tasques de diferents característiques i dificultats, variant el nombre de classes en cada tasca, el nombre d’exemples disponibles per classe, introduint desequilibris de classes i, per a alguns conjunts de dades, variant el grau de similitud entre classes de cada tasca.
Meta-Dataset introdueix nous reptes per a una classificació de pocs trets. La investigació de Google encara és preliminar i hi ha molt de terreny a cobrir. Tot i això, el gegant de la cerca ha afirmat que els investigadors experimenten èxit. Alguns dels exemples notables inclouen l’ús de dissenys intel·ligents tasca condicionament , més sofisticat afinació hiperparamètrica , A ' meta-línia de base ’Que combina els avantatges de la formació prèvia i el metaaprenentatge i, finalment, l’ús selecció de funcions per especialitzar una representació universal per a cada tasca.
Etiquetes Google
