Erdi gainbegiratutako ikaskuntza ikaskuntza automatikoko paradigma bat da, etiketatu eta etiketarik gabeko datuak baliatzen dituena ereduak prestatzeko. Mundu errealeko eszenatoki gehienetan, etiketatutako datuak eskuratzea garestia izan daiteke, denbora asko edo, besterik gabe, zaila izan daiteke hainbat muga direla eta. Etiketarik gabeko datuak, aldiz, askotan ugariagoak eta lortzen errazagoak dira. Erdi-gainbegiratutako ikaskuntzak bi datu-motak aprobetxatzea du helburu, ereduaren errendimendua hobetzeko.
Etiketadun eta etiketarik gabeko datuak erabiltzea
- Etiketatutako eta etiketarik gabeko datuak konbinatuz: oinarrizko printzipioak etiketatutako datu multzo txikiago bat erabiliz, etiketarik gabeko datu multzo handiagoarekin batera eredu bat entrenatzea dakar. Etiketatutako datuek ereduaren ikaskuntza gidatzen laguntzen dute, emaitza ezagunak dituzten adibide zehatzak eskainiz, eta etiketarik gabeko datuek, berriz, ereduak azpiko datuen banaketa ulertzen laguntzen dute eta hobeto orokortzen laguntzen dute.
Algoritmo erdi-gainbegiratuek normalean bi modu nagusi hauetako batean funtzionatzen dute:
-
Auto-prestakuntza/Co-training: metodo hauek modu iteratiboki etiketatu gabeko datuak ereduak datu horiei buruzko iragarpenak erabiliz eta, ondoren, eredua berriro trebatu etiketatutako datu-multzo hedatuarekin.
-
Grafikoetan oinarritutako metodoak: datuen grafikoaren irudikapena sortzen dute, non nodoek instantziak eta ertzak erlazioak adierazten dituzten. Algoritmo hauek grafikoaren egitura erabiltzen dute etiketak etiketatutako instantzietatik etiketarik gabekoetara hedatzeko.
Abantailak
-
Etiketatutako datuekiko konfiantza murriztea: erdi-gainbegiratutako ikaskuntzak etiketatutako datu-kopuru handien beharra nabarmen gutxitu dezake, etiketatzeak baliabide asko dituen agertokietan errentagarri eta praktiko bihurtuz.
-
Orokortze hobetua: etiketarik gabeko datuak aprobetxatzeak sarritan eredu sendoagoak sortzen laguntzen du ikusten ez diren adibideetarako orokortze hobea dutenak. Ereduak azpiko datuen banaketaren ulermen sakonagoa lortzen du.
Erronkak eta gogoetak
-
Etiketarik gabeko datuen kalitatea: etiketarik gabeko datuek baliteke zarata, kanpo-egoerak edo garrantzirik gabeko informazioa edukitzea, eta horrek ereduaren errendimenduan eragina izan dezake behar bezala kudeatzen ez badira.
-
Datuen banaketari buruzko hipotesiak: erdi-gainbegiratutako metodoek maiz azpiko datuen banaketari buruzko hipotesietan oinarritzen dira. Suposizio hauek betetzen ez badira, emaitza ez-optimoak ekar ditzake.
-
Ereduaren alborapena: ereduak etiketarik gabeko datuetan dauden alborapenak hereda ditzake, bere iragarpenetan eta orokortzean eraginez.
-
Algoritmoen konplexutasuna: erdi-gainbegiratutako algoritmoak ezartzeak baliabide konputazional eta sintonizazio gehiago behar izan ditzake, gainbegiraturiko ikaskuntza-metodoekin alderatuta.
Aplikazioa
Erdi gainbegiratutako ikaskuntzak distira egiten du honelako agertokietan:
-
Irudi medikoak, non etiketatutako datuak (adibidez, ohartariko irudiak) mugatuak diren.
-
Lengoaia naturala prozesatzeko zereginak non etiketatutako testu-datuak eskuratzea garestia den.
-
Anomaliak detektatzea non anomaliak arraroak diren eta etiketatutako kasuak lortzea zaila den.
Erdi-gainbegiratutako ikaskuntzak etiketarik gabeko datuak erabiliz abantaila baliotsuak eskaintzen dituen arren, bere arrakasta etiketarik gabeko datu eskuragarrien kalitatean eta kantitatean, aukeratutako algoritmoaren egokitasunean eta hipotesien bateragarritasuna datu errealen banaketarekin oinarritzen da. Erronka hauek modu eraginkorrean kudeatzeak ereduaren errendimenduan hobekuntza nabarmenak ekar ditzake, batez ere etiketatutako datuak urriak edo garestiak diren agertokietan.
