Aprendizagem Semi-Supervisionada

Como funciona a Aprendizagem Semi-Supervisionada

Ao contrário da aprendizagem supervisionada, que se baseia inteiramente em dados etiquetados, e da aprendizagem não supervisionada, que utiliza apenas dados não etiquetados, a aprendizagem semi-supervisionada combina ambas. A ideia central é que os dados não rotulados contêm informações valiosas sobre a estrutura subjacente da distribuição de dados. Ao incorporar esta informação, os modelos de aprendizagem semi-supervisionada podem frequentemente alcançar uma melhor precisão e generalização do que os modelos treinados apenas com dados rotulados limitados.

Várias técnicas são abrangidas pelo conceito de aprendizagem semi-supervisionada, incluindo:

• Pseudo-rotulagem: Este método envolve o treino de um modelo em dados etiquetados e depois utiliza-o para prever etiquetas para dados não etiquetados. Estes rótulos previstos, ou "pseudo-rótulos", são depois tratados como se fossem rótulos verdadeiros e utilizados para treinar novamente o modelo, muitas vezes de forma iterativa.
• Regularização de consistência: Esta abordagem incentiva o modelo a produzir previsões semelhantes para pontos de dados não rotulados, mesmo quando estes são ligeiramente perturbados ou aumentados. Técnicas como o aumento de dados são frequentemente usadas para criar essas perturbações.
• Métodos baseados em gráficos: Estes métodos representam os pontos de dados como nós num gráfico, em que as arestas ligam pontos semelhantes. As etiquetas são então propagadas dos nós etiquetados para os nós não etiquetados com base na estrutura do grafo.
• Auto-treino: Semelhante à pseudo-rotulagem, o auto-treinamento expande iterativamente o conjunto de dados rotulados, adicionando previsões de alta confiança em dados não rotulados.

Aplicações da Aprendizagem Semi-Supervisionada

A aprendizagem semi-supervisionada é valiosa em vários domínios, especialmente quando os dados rotulados são limitados:

• Análise de imagens médicas: Na análise de imagens médicas, a aquisição de imagens médicas rotuladas para tarefas como a deteção de tumores ou a classificação de doenças requer muitas vezes radiologistas especializados, o que as torna dispendiosas e demoradas. A aprendizagem semi-supervisionada pode ajudar a treinar modelos precisos usando um conjunto menor de imagens rotuladas juntamente com um conjunto maior de exames não rotulados. Por exemplo, na deteção de tumores cerebrais utilizando Ultralytics YOLO para a deteção de objectos, as técnicas semi-supervisionadas podem melhorar o desempenho do modelo com dados de MRI rotulados limitados.
• Processamento de linguagem natural (PNL): Tarefas como a análise de sentimentos ou o reconhecimento de entidades nomeadas (NER) beneficiam frequentemente da aprendizagem semi-supervisionada. Estão prontamente disponíveis grandes quantidades de dados de texto, mas a etiquetagem de texto para tarefas específicas de PNL pode ser trabalhosa. Os métodos semi-supervisionados podem aproveitar o texto não rotulado para melhorar a compreensão do modelo das nuances e do contexto da linguagem.
• Reconhecimento do discurso: À semelhança da PNL, os sistemas de reconhecimento da fala podem beneficiar de grandes quantidades de dados de áudio não etiquetados. A aprendizagem semi-supervisionada ajuda a construir modelos robustos que generalizam bem, mesmo com dados de fala rotulados limitados.
• Classificação de imagens e deteção de objectos: Em tarefas de visão computacional como a classificação de imagens e a deteção de objectos, a aprendizagem semi-supervisionada pode ser utilizada para melhorar o desempenho de modelos como Ultralytics YOLOv8 quando treinados em conjuntos de dados em que apenas uma fração das imagens é anotada com caixas delimitadoras ou etiquetas. Ultralytics O HUB pode ser utilizado para gerir conjuntos de dados e treinar modelos, e a aprendizagem semi-supervisionada pode ser integrada para otimizar o treino com dados rotulados limitados.

Vantagens da Aprendizagem Semi-Supervisionada

• Melhoria da precisão: Ao utilizar dados não rotulados, a aprendizagem semi-supervisionada pode muitas vezes conduzir a modelos com maior precisão em comparação com a aprendizagem supervisionada com dados rotulados limitados.
• Reduz os custos de etiquetagem: Reduz significativamente a necessidade de etiquetagem manual extensiva de dados, poupando tempo e recursos.
• Melhor generalização: Treinar com dados rotulados e não rotulados pode ajudar os modelos a aprender representações mais robustas e generalizáveis, levando a um melhor desempenho em dados não vistos.

A Aprendizagem Semi-Supervisionada oferece uma abordagem poderosa à aprendizagem automática, especialmente em cenários em que os dados rotulados são um estrangulamento. Ao aproveitar eficazmente a riqueza dos dados não rotulados disponíveis, permite o desenvolvimento de sistemas de IA mais precisos e eficientes numa vasta gama de aplicações.