APP下载

小样本学习(few-shot learning)探析

2020-09-02吴国娟

福建质量管理 2020年15期
关键词:深度记忆人工智能

吴国娟

(天津鎏金铄石科技有限公司 天津 300090)

一、问题定义

近年来,随着神经网络和深度学习的突破性发展,人工智能领域迎来了新一轮发展狂潮,谷歌、微软、facebook、阿里巴巴、腾讯、百度等业界巨头都纷纷入场。但以目前而言,“人工智能”和“人类智能”的一个显著的区别在于:传统的深度学习技术需要大量的数据集进行训练,才能生产出一个较好的模型。以图片分类为例,要训练一个0-9的手写数字识别模型,大概需要6000张图片作为训练集,而人类大概只要每个类(每个数字)看一张图片,即可抽象出每个类的特征,从而进行高效的识别。

于是,一个新的分支应运而生:小样本学习(few-shot learning),即基于少量(单)样本数据集或弱标签标注的学习方法。

以图片分类为例,假设我们的训练集中有N个分类,每个分类中有K个样本,一共有N*K个样本,从N*K样本中训练出能够对N个分类进行区分的模型的任务被称为N-way K-shot问题。

《Optimization as a model for few-shot learning》5-way1-shot[1]

二、小样本学习的意义

1.处理缺乏充足的样本数据,或者样本数据的获取成本较高的深度学习。比如医疗领域基于深度学习的医学诊断,需要高质量的医疗影像作为训练样本[2],而这些样本资源有限,成本偏高。

2.个性化AI服务。比如在传统制造业、实体企业缺乏完善的数据系统,存储杂乱,采用一个互联网企业训练出来的通用模型又往往水土不服,要向这样的企业提供AI解决方案,就需要引入小样本学习。

3.用尽量少的样本训练出尽量精确的模型,是判断一个深度学习算法质量的重要标准。……

登录APP查看全文

猜你喜欢

深度记忆人工智能
深度观察
深度观察
人工智能与就业
深度观察
数读人工智能
记忆中的他们
下一幕,人工智能!
儿时的记忆(四)
儿时的记忆(四)
记忆翻新