Il Few-Shot Learning è un sottocampo del Machine Learning (ML) che si occupa di consentire ai modelli di apprendere e generalizzare da un numero molto ridotto di esempi di addestramento, in genere da uno a cinque esempi per classe. Questo contrasta nettamente con i tradizionali approcci di Deep Learning (DL) che spesso richiedono migliaia o milioni di punti dati etichettati per ottenere prestazioni elevate. L'idea di base è quella di sfruttare le conoscenze pregresse, spesso acquisite grazie all'addestramento su set di dati ampi e diversificati, per adattarsi rapidamente a nuovi compiti o classi con un minimo di nuovi dati. Ciò la rende particolarmente preziosa nelle situazioni in cui la raccolta di grandi quantità di dati etichettati è poco pratica, costosa o richiede molto tempo.
Concetti fondamentali
L'apprendimento a pochi colpi spesso coinvolge concetti come:
- Set di supporto: Il piccolo insieme di esempi etichettati forniti per il nuovo compito o le nuove classi.
- Query Set: Esempi non etichettati che il modello deve classificare in base all'insieme di supporto.
- Meta-apprendimento: Spesso definite come "imparare a imparare", le tecniche di meta-apprendimento addestrano un modello su una serie di compiti di apprendimento durante una fase di meta-formazione. In questo modo il modello apprende un algoritmo di apprendimento efficiente che può essere adattato rapidamente a nuovi compiti utilizzando solo pochi esempi. Tra gli approcci più diffusi ci sono le reti di corrispondenza e le reti prototipiche.
Rilevanza e applicazioni
La capacità di apprendere da dati limitati rende il Few-Shot Learning molto importante in numerosi settori:
- Analisi delle immagini mediche: Diagnosi di malattie rare in cui potrebbero essere disponibili solo poche scansioni di pazienti per la formazione. Ad esempio, l'addestramento di un modello per il rilevamento dei tumori nell'imaging medico quando gli esempi di uno specifico tipo di tumore raro sono scarsi.
- Robotica: Insegnare ai robot nuove abilità o capacità di riconoscimento degli oggetti con dimostrazioni minime, velocizzando l'impiego in nuovi ambienti. Un esempio è l'addestramento di un robot a raccogliere un oggetto nuovo dopo averlo mostrato solo poche volte.
- Personalizzazione: Adattare modelli come i sistemi di raccomandazione o le interfacce utente alle preferenze individuali sulla base di dati di interazione molto limitati.
- Computer Vision: Consentire attività come la classificazione delle immagini o l'individuazione di nuove categorie di oggetti senza la necessità di raccogliere e annotare i dati. Piattaforme come Ultralytics HUB possono facilitare l'addestramento dei modelli e le tecniche a pochi scatti potrebbero potenzialmente ridurre i dati necessari per le attività personalizzate.
Concetti correlati
L'apprendimento a pochi colpi fa parte di uno spettro di paradigmi di apprendimento che si occupano di dati limitati:
- Apprendimento Zero-Shot: Uno scenario più impegnativo in cui il modello deve riconoscere le classi che non ha mai visto durante l'addestramento, in genere sfruttando informazioni ausiliarie come le descrizioni delle classi o gli attributi.
- Apprendimento One-Shot: Un caso specifico di Few-Shot Learning in cui viene fornito un solo esempio etichettato per ogni nuova classe.
- Apprendimento per trasferimento: Una tecnica più ampia in cui un modello pre-addestrato su un grande set di dati (come ImageNet) viene adattato(messo a punto) per un nuovo compito correlato. Sebbene sia spesso utilizzato come base per l'apprendimento a pochi colpi, l'apprendimento di trasferimento tradizionale potrebbe richiedere più di una manciata di esempi per un adattamento efficace. Modelli pre-addestrati come Ultralytics YOLO sono spesso utilizzati come punto di partenza per l'apprendimento per trasferimento nel rilevamento degli oggetti. Puoi consultare la documentazione diUltralytics per trovare guide sulla formazione e l'adattamento dei modelli.
Il Few-Shot Learning rappresenta un passo significativo verso sistemi di intelligenza artificiale (AI) più efficienti dal punto di vista dei dati e più adattabili, in grado di apprendere rapidamente in situazioni nuove, proprio come fanno gli esseri umani.
IT
EN
ZH
KO
JA
RU
DE
FR
ES
PT
AR
TR
VI
