Lernen mit wenigen Schüssen

Kernkonzepte

Few-Shot Learning beinhaltet oft Konzepte wie:

• Support Set: Die kleine Menge an beschrifteten Beispielen, die für die neue Aufgabe oder die neuen Klassen bereitgestellt wird.
• Abfragemenge: Unbeschriftete Beispiele, die das Modell auf der Grundlage der Unterstützungsmenge klassifizieren muss.
• Meta-Lernen: Oft als "Lernen, um zu lernen" bezeichnet, trainieren Meta-Learning-Techniken ein Modell während einer Meta-Trainingsphase auf eine Vielzahl von Lernaufgaben. So kann das Modell selbst einen effizienten Lernalgorithmus erlernen, der dann mit nur wenigen Beispielen schnell an neue Aufgaben angepasst werden kann. Beliebte Ansätze sind Matching Networks und Prototypical Networks.

Relevanz und Anwendungen

Die Fähigkeit, aus begrenzten Daten zu lernen, macht Few-Shot Learning in zahlreichen Bereichen äußerst relevant:

• Medizinische Bildanalyse: Diagnose seltener Krankheiten, für die nur wenige Patientenscans zum Training zur Verfügung stehen. Zum Beispiel das Trainieren eines Modells für die Tumorerkennung in der medizinischen Bildgebung, wenn es nur wenige Beispiele für einen bestimmten seltenen Tumortyp gibt.
• Robotik: Robotern neue Fähigkeiten oder Objekterkennungsfähigkeiten mit minimalen Demonstrationen beibringen, um den Einsatz in neuen Umgebungen zu beschleunigen. Ein Beispiel ist das Training eines Roboters, der einen neuen Gegenstand aufnimmt, nachdem er ihn nur ein paar Mal gezeigt hat.
• Personalisierung: Anpassung von Modellen wie Empfehlungssystemen oder Benutzeroberflächen an individuelle Vorlieben auf der Grundlage von sehr begrenzten Interaktionsdaten.
• Computer Vision: Ermöglichung von Aufgaben wie Bildklassifizierung oder Objekterkennung für neue Objektkategorien, ohne dass eine umfangreiche Datenerfassung und -beschriftung erforderlich ist. Plattformen wie Ultralytics HUB können das Training von Modellen erleichtern, und "few-shot"-Techniken könnten den Datenbedarf für benutzerdefinierte Aufgaben reduzieren.

Verwandte Konzepte

Few-Shot Learning ist Teil eines Spektrums von Lernparadigmen, die mit begrenzten Daten arbeiten:

• Zero-Shot Learning: Ein anspruchsvolleres Szenario, bei dem das Modell Klassen erkennen muss, die es während des Trainings noch nie gesehen hat, in der Regel durch die Nutzung von Zusatzinformationen wie Klassenbeschreibungen oder Attributen.
• One-Shot Learning: Ein Sonderfall des Few-Shot Learning, bei dem für jede neue Klasse nur ein beschriftetes Beispiel bereitgestellt wird.
• Transfer Learning: Eine umfassendere Technik, bei der ein auf einem großen Datensatz (wie ImageNet) trainiertes Modell für eine neue, verwandte Aufgabe angepasst(feinabgestimmt) wird. Auch wenn es oft als Grundlage für Few-Shot Learning verwendet wird, kann traditionelles Transfer Learning mehr als nur eine Handvoll Beispiele für eine effektive Anpassung erfordern. Vorgefertigte Modelle wie Ultralytics YOLO werden oft als Ausgangspunkt für das Transfer Learning bei der Objekterkennung verwendet. In der Ultralytics Dokumentation findest du Anleitungen zum Trainieren und Anpassen von Modellen.

Few-Shot Learning ist ein wichtiger Schritt auf dem Weg zu dateneffizienteren und anpassungsfähigeren Systemen der Künstlichen Intelligenz (KI), die in der Lage sind, in neuen Situationen schnell zu lernen, ähnlich wie Menschen.