Глоссарий

Одноразовое обучение

Открой для себя силу One-Shot Learning, революционной техники ИИ, позволяющей моделям обобщать данные на основе минимальных данных для применения в реальном мире.

Обучай модели YOLO просто
с помощью Ultralytics HUB.

Узнай больше

One-Shot Learning - это подход к машинному обучению, при котором модель обучается распознавать и обобщать на очень небольшом количестве примеров, в идеале всего на одном, на каждую категорию или класс. Это резко контрастирует с традиционными методами машинного обучения, которые обычно требуют сотен или тысяч примеров для эффективного обучения. One-Shot Learning особенно ценен в сценариях, где получение больших наборов данных сложно, дорого или просто нецелесообразно. Оно направлено на имитацию человеческого обучения, когда мы часто можем распознать новые объекты или понятия, увидев их всего один или несколько раз.

Как работает одноразовое обучение

Основная идея One-Shot Learning заключается в том, чтобы изучать метрики сходства или расстояния, а не напрямую учиться классифицировать объекты. Вместо того чтобы обучать модель распознавать конкретные категории, One-Shot Learning обучает модель понимать, насколько похожи или отличаются два входных сигнала. Обычные методы включают в себя сиамские сети или триплетные функции потерь, которые учат вложения, где похожие входы находятся близко друг к другу в пространстве вложений, а непохожие - далеко друг от друга.

На этапе обучения модели предъявляются пары или тройки примеров, и она учится их различать. Когда перед ней появляется новый экземпляр и ее просят классифицировать его среди нескольких невидимых категорий (при этом на каждую категорию дается только один пример), модель сравнивает новый экземпляр с каждым из представленных примеров. Затем она классифицирует новый экземпляр на основе его сходства с этими примерами, обычно используя подход ближайших соседей в выученном пространстве вкраплений. Такой подход позволяет добиться эффективного обобщения даже при ограниченном количестве данных, поскольку модель учится различать признаки, указывающие на сходство, а не запоминать конкретные примеры.

Реальное применение одноразового обучения в реальном мире

One-Shot Learning нашло применение в различных областях, где нехватка данных является проблемой:

  • Распознавание лиц: В сценариях с ограниченным количеством регистрационных данных, таких как контроль доступа в здание или разблокировка персональных устройств, One-Shot Learning может быть очень эффективным. Представь, что системе безопасности нужно быстро распознать новых сотрудников. Вместо того чтобы требовать многочисленные фотографии, система может научиться идентифицировать новое лицо всего по одному изображению, сравнивая его с существующими вкраплениями лица. Это особенно полезно в динамичных средах, где часто происходит смена персонала.
  • Проверка подлинности подписи: Автоматизированные системы проверки подлинности подписей могут использовать One-Shot Learning для проверки подлинности подписей. Поскольку сбор множества образцов подписи для каждого человека может быть непрактичным, особенно при нечастых транзакциях, One-Shot Learning позволяет системе узнать уникальные характеристики подписи человека на основе всего одного или нескольких примеров. Это очень важно в банковской сфере, при оформлении юридических документов и в других отраслях, где требуется надежная проверка личности.
  • Анализ медицинских изображений: При диагностике редких заболеваний получить большой набор данных медицинских изображений может быть крайне сложно. One-Shot Learning может помочь в выявлении аномалий или редких заболеваний по очень ограниченному числу положительных случаев. Например, выявление редкого типа опухоли при анализе медицинских изображений может быть ускорено моделью, обученной с помощью методов One-Shot Learning, даже если доступно всего несколько изображений этого конкретного типа опухоли.
  • Распознавание товаров в розничной торговле: В системах управления товарными запасами и автоматизированных кассах розничной торговли распознавание огромного количества товаров, включая новые или редко появляющиеся на складе, может оказаться сложной задачей при использовании традиционных методов. One-Shot Learning позволяет системам быстро обучаться и распознавать новые продукты по одному-единственному изображению, повышая эффективность ИИ в розничной торговле и сокращая усилия по ручному вводу данных.

Одноразовое обучение против многоразового обучения

Несмотря на тесную взаимосвязь, One-Shot Learning является подмножеством Few-Shot Learning. One-Shot Learning подразумевает обучение только на одном примере для каждого класса. Few-Shot Learning, с другой стороны, охватывает сценарии, в которых модель обучается на небольшом количестве примеров, обычно от одного до нескольких образцов на класс. Оба подхода направлены на решение проблемы ограниченности данных, но Few-Shot Learning - это более широкий термин, который включает в себя One-Shot Learning как частный случай. Оба подхода контрастируют с традиционным машинным обучением, которое часто полагается на большие наборы данных для эффективного обучения моделей.

В общем, One-Shot Learning предлагает мощный сдвиг парадигмы в машинном обучении, позволяя моделям эффективно обучаться на минимальном количестве данных. Способность к обобщению на основе скудных примеров делает его незаменимым в различных реальных приложениях, особенно в компьютерном зрении и других областях, где сбор данных ограничен. По мере развития ИИ One-Shot Learning и связанные с ним техники будут играть все более важную роль в решении проблемы ограниченности данных и расширении сферы применения машинного обучения.

Читать полностью