Aprendizagem de uma só vez

Como funciona a aprendizagem de uma só vez

Em vez de aprender a mapear diretamente uma entrada para uma etiqueta de classe a partir de numerosos exemplos, os modelos OSL aprendem normalmente uma função de semelhança. A ideia central é determinar a semelhança entre um exemplo novo e inédito (consulta) e o único exemplo rotulado disponível (suporte) para cada classe. Se o exemplo de consulta for muito semelhante ao exemplo de suporte de uma classe específica, é-lhe atribuído o rótulo dessa classe. Isto envolve frequentemente a utilização de arquitecturas de aprendizagem profunda (DL) como as redes siamesas, que processam duas entradas simultaneamente para determinar a sua semelhança. Estas redes são frequentemente pré-treinadas em grandes conjuntos de dados (como o ImageNet) utilizando a aprendizagem por transferência para aprender representações de caraterísticas robustas antes de serem adaptadas à tarefa OSL através de técnicas como a aprendizagem métrica.

Conceitos-chave no One-Shot Learning

• Conjunto de suporte: Contém o único exemplo rotulado fornecido para cada classe com a qual o modelo precisa de aprender.
• Conjunto de consulta: Contém os exemplos não rotulados que o modelo precisa de classificar com base no conjunto de apoio.
• Aprendizagem de similaridade/métrica: O processo de aprendizagem de uma função de distância ou métrica que mede a semelhança entre pontos de dados, crucial para comparar exemplos de consulta com exemplos de suporte.
• Treinamento episódico: Uma estratégia de treinamento comum em que o modelo é treinado em muitas tarefas OSL pequenas (episódios) amostradas de um conjunto de dados maior para simular o cenário de um disparo durante o treinamento.

Aprendizagem única vs. paradigmas relacionados

Para compreender a OSL, é necessário distingui-la de conceitos relacionados:

• Aprendizagem com poucos tiros (FSL): A OSL é considerada uma variante extrema da FSL. Enquanto a OSL utiliza apenas um exemplo por classe, a FSL utiliza um pequeno número (k > 1, normalmente 5 ou 10) de exemplos por classe. Ambos abordam a escassez de dados, mas diferem no número de amostras disponíveis. Podes ler mais sobre estes paradigmas na nossa publicação no blogue sobre a compreensão da aprendizagem de transferência, de poucas amostras e de zero amostras.
• Aprendizagem Zero-Shot (ZSL): A ZSL aborda um problema ainda mais difícil: classificar instâncias de classes que nunca foram vistas durante o treino. Isto é normalmente conseguido através da utilização de informações auxiliares, como atributos semânticos ou descrições de texto, que ligam classes vistas e não vistas. A OSL requer a visualização de um exemplo; a ZSL requer a visualização de zero exemplos, mas necessita de contexto semântico adicional.
• Aprendizagem por transferência e ajuste fino: Embora a OSL utilize frequentemente a aprendizagem por transferência (pré-treino num grande conjunto de dados), o objetivo é diferente. A aprendizagem por transferência padrão ou o ajuste fino geralmente assumem que uma quantidade razoável de dados de destino está disponível para adaptação, enquanto a OSL lida especificamente com a restrição de um exemplo. Técnicas como o treino personalizado dos modelos Ultralytics YOLO envolvem frequentemente o ajuste fino de pesos pré-treinados, mas normalmente com mais de um exemplo por classe.

Aplicações no mundo real

A OSL permite várias aplicações anteriormente impedidas por limitações de dados:

1. Reconhecimento facial: Os sistemas de segurança ou os dispositivos pessoais podem ter de identificar ou verificar uma pessoa depois de a registar com uma única fotografia. O NIST efectua testes exaustivos às tecnologias de reconhecimento facial, muitas das quais enfrentam desafios semelhantes de uma ou poucas fotografias.
2. Deteção de objectos raros: Em áreas como o controlo de qualidade do fabrico ou a conservação da vida selvagem, a identificação de defeitos raros ou de espécies em vias de extinção só pode ser possível com um ou muito poucos exemplos anteriores. Enquanto modelos como o Ultralytics YOLO11 são excelentes na deteção de objectos com dados suficientes, as técnicas de OSL poderiam aumentá-los para classes extremamente raras.
3. Verificação de assinatura: Autenticar a assinatura de uma pessoa com base numa única assinatura de referência armazenada num ficheiro. A investigação explora a aprendizagem profunda para esta tarefa, muitas vezes em regimes de poucos dados.
4. Descoberta de medicamentos: Identifica potenciais novos candidatos a medicamentos ou prevê as propriedades das moléculas com base em resultados experimentais muito limitados, acelerando o processo de investigação. Estudos mostram a aplicação da OSL na previsão das interações fármaco-alvo.

Desafios e direcções futuras

O principal desafio em OSL é a generalização: como é que um modelo pode aprender de forma fiável a essência de uma classe a partir de apenas um exemplo sem se ajustar demasiado? A escolha e a qualidade do exemplo de apoio único tornam-se extremamente importantes. A investigação em curso centra-se no desenvolvimento de representações de caraterísticas mais robustas, de melhores métricas de semelhança e na utilização de técnicas como a meta-aprendizagem ("aprender a aprender") para melhorar o desempenho da OSL. A integração das capacidades de OSL em modelos e plataformas de visão de uso geral, como o Ultralytics HUB, poderia alargar significativamente a sua aplicabilidade em ambientes com restrições de dados. A avaliação dos modelos de OSL requer uma análise cuidadosa das métricas de desempenho nestas condições difíceis.