Học bán giám sát là một mô hình học máy tận dụng cả dữ liệu được gắn nhãn và không được gắn nhãn để đào tạo các mô hình. Trong hầu hết các tình huống thực tế, việc thu thập dữ liệu được gắn nhãn có thể tốn kém, tốn thời gian hoặc đơn giản là khó khăn do nhiều ràng buộc khác nhau. Mặt khác, dữ liệu không được gắn nhãn thường đầy đủ hơn và dễ lấy hơn. Học bán giám sát nhằm mục đích tận dụng tối đa cả hai loại dữ liệu để cải thiện hiệu suất mô hình.
Sử dụng dữ liệu được gắn nhãn và không được gắn nhãn
- Kết hợp dữ liệu được gắn nhãn và không được gắn nhãn: Nguyên tắc cơ bản liên quan đến việc đào tạo một mô hình bằng cách sử dụng tập hợp dữ liệu được gắn nhãn nhỏ hơn cùng với tập hợp dữ liệu không được gắn nhãn lớn hơn. Dữ liệu được gắn nhãn giúp hướng dẫn quá trình học tập của mô hình bằng cách cung cấp các ví dụ cụ thể với các kết quả đã biết, trong khi dữ liệu không được gắn nhãn góp phần giúp mô hình hiểu rõ hơn về phân bổ dữ liệu cơ bản và giúp mô hình khái quát hóa tốt hơn.
Thuật toán bán giám sát thường hoạt động theo một trong hai cách chính:
-
Tự đào tạo/Đồng đào tạo: Các phương pháp này lặp lại gắn nhãn cho dữ liệu chưa được gắn nhãn bằng cách sử dụng các dự đoán của mô hình trên dữ liệu đó, sau đó đào tạo lại mô hình bằng tập dữ liệu được gắn nhãn mở rộng.
-
Các phương pháp dựa trên biểu đồ: Chúng tạo biểu đồ biểu thị dữ liệu, trong đó các nút biểu thị các phiên bản và các cạnh biểu thị mối quan hệ. Các thuật toán này sử dụng cấu trúc của biểu đồ để truyền nhãn từ các trường hợp được gắn nhãn đến không được gắn nhãn.
Thuận lợi
-
Giảm sự phụ thuộc vào dữ liệu được gắn nhãn: Học bán giám sát có thể làm giảm đáng kể nhu cầu về lượng lớn dữ liệu được gắn nhãn, giúp nó tiết kiệm chi phí và thiết thực trong các tình huống mà việc ghi nhãn tốn nhiều tài nguyên.
-
Khả năng khái quát hóa được cải thiện: Việc tận dụng dữ liệu chưa được gắn nhãn thường hỗ trợ việc tạo ra các mô hình mạnh mẽ hơn với khả năng khái quát hóa tốt hơn cho các ví dụ chưa được nhìn thấy. Mô hình đạt được sự hiểu biết sâu sắc hơn về phân phối dữ liệu cơ bản.
Những thách thức và cân nhắc
-
Chất lượng của dữ liệu chưa được gắn nhãn: Dữ liệu chưa được gắn nhãn có thể chứa nhiễu, thông tin ngoại lệ hoặc thông tin không liên quan, có thể ảnh hưởng đến hiệu suất của mô hình nếu không được xử lý đúng cách.
-
Giả định về phân phối dữ liệu: Phương pháp bán giám sát thường dựa vào các giả định về phân phối dữ liệu cơ bản. Nếu những giả định này không được giữ vững, nó có thể dẫn đến kết quả dưới mức tối ưu.
-
Độ lệch mô hình: Mô hình có khả năng kế thừa các độ lệch có trong dữ liệu không được gắn nhãn, ảnh hưởng đến dự đoán và tính tổng quát của mô hình.
-
Độ phức tạp của thuật toán: Việc triển khai các thuật toán bán giám sát có thể yêu cầu nhiều tài nguyên tính toán và điều chỉnh hơn so với các phương pháp học có giám sát.
Khả năng ứng dụng
Học bán giám sát tỏa sáng trong các tình huống như:
-
Hình ảnh y tế, nơi dữ liệu được dán nhãn (ví dụ: hình ảnh có chú thích) bị hạn chế.
-
Nhiệm vụ xử lý ngôn ngữ tự nhiên trong đó việc thu thập dữ liệu văn bản có nhãn rất tốn kém.
-
Việc phát hiện sự bất thường ở những nơi hiếm khi xảy ra sự bất thường và việc thu được các trường hợp được dán nhãn là một thách thức.
Mặc dù học bán giám sát mang lại những lợi thế có giá trị bằng cách sử dụng dữ liệu chưa được gắn nhãn, nhưng thành công của nó phụ thuộc rất nhiều vào chất lượng và số lượng dữ liệu chưa được gắn nhãn có sẵn, tính phù hợp của thuật toán đã chọn và khả năng tương thích của các giả định với phân phối dữ liệu thực. Xử lý những thách thức này một cách hiệu quả có thể dẫn đến những cải thiện đáng kể về hiệu suất của mô hình, đặc biệt là trong các tình huống mà dữ liệu được dán nhãn khan hiếm hoặc đắt tiền.
