Học tập Zero-Shot

Zero-Shot Learning là một phương pháp tiếp cận mang tính đột phá trong học máy, cho phép các mô hình nhận dạng và phân loại các đối tượng hoặc khái niệm mà chúng chưa từng gặp trong quá trình đào tạo. Không giống như học có giám sát truyền thống, dựa vào các ví dụ được gắn nhãn cho mỗi lớp, Zero-Shot Learning tận dụng kiến thức và mô tả trước đó để khái quát hóa thành các danh mục chưa từng thấy. Khả năng này đặc biệt có giá trị trong các tình huống mà việc thu thập dữ liệu được gắn nhãn cho tất cả các lớp có thể là không thực tế hoặc không thể.

Khái niệm cốt lõi của Zero-Shot Learning

Về bản chất, Zero-Shot Learning phụ thuộc vào ý tưởng về các thuộc tính mô tả chung hoặc các mối quan hệ ngữ nghĩa giữa các lớp đã biết và chưa biết. Các mô hình được đào tạo trên một tập dữ liệu các ví dụ được gắn nhãn từ các lớp đã thấy và cũng được cung cấp thông tin bổ trợ, thường ở dạng mô tả hoặc thuộc tính dạng văn bản, về từng lớp. Trong quá trình suy luận, khi được trình bày với một trường hợp từ một lớp chưa thấy, mô hình sử dụng các mối quan hệ đã học và mô tả được cung cấp của lớp mới để đưa ra dự đoán. Quá trình này cho phép khái quát hóa hiệu quả ngoài các lớp được dạy rõ ràng trong quá trình đào tạo.

Sự liên quan và ứng dụng

Tầm quan trọng của Zero-Shot Learning nằm ở khả năng xử lý bản chất thế giới mở của các vấn đề thực tế. Nó đặc biệt có liên quan trong các lĩnh vực mà dữ liệu khan hiếm hoặc phát triển nhanh chóng. Các ứng dụng chính bao gồm:

• Phát hiện đối tượng trong môi trường mới: Trong thị giác máy tính , Zero-Shot Learning cho phép các mô hình như Ultralytics YOLO để phát hiện các đối tượng từ các lớp không có trong tập dữ liệu đào tạo. Ví dụ, một mô hình được đào tạo để phát hiện các đối tượng phổ biến như ô tô và người đi bộ có thể xác định được 'xe kéo' hoặc 'xe tay ga' dựa trên mô tả của nó, ngay cả khi nó chưa bao giờ nhìn thấy hình ảnh có nhãn của những phương tiện này. Điều này đặc biệt hữu ích trong việc mở rộng phạm vi của các hệ thống phát hiện đối tượng sang các tình huống mới và đa dạng.
• Xử lý ngôn ngữ tự nhiên (NLP) : Zero-Shot Learning đóng vai trò quan trọng trong các tác vụ NLP như phân loại văn bản và phân tích tình cảm. Một mô hình được đào tạo để hiểu tình cảm cho các bài đánh giá phim có thể áp dụng sự hiểu biết đó vào các bài đánh giá sản phẩm, ngay cả khi tình cảm đánh giá sản phẩm không phải là một phần của dữ liệu đào tạo. Khả năng thích ứng này rất quan trọng đối với các ứng dụng như phân tích tình cảm trên nhiều miền khác nhau.
• Phân loại hình ảnh với các danh mục mở rộng: Trong phân loại hình ảnh , Zero-Shot Learning cho phép phân loại hình ảnh thành các danh mục mà mô hình chưa học rõ ràng. Ví dụ, một mô hình được đào tạo trên một tập hợp rộng các lớp động vật có thể phân loại hình ảnh của một loài mới được phát hiện dựa trên các đặc điểm mô tả của nó, ngay cả khi không có ví dụ đào tạo cụ thể về loài đó.
• Phân tích hình ảnh y tế : Trong phân tích hình ảnh y tế , Zero-Shot Learning có thể hỗ trợ xác định các bệnh hiếm gặp hoặc bất thường mà có ít ví dụ được dán nhãn. Bằng cách tận dụng kiến thức mô tả về bệnh lý, các hệ thống AI có thể đưa ra đánh giá sơ bộ ngay cả đối với các tình trạng chưa được nhìn thấy, hỗ trợ chẩn đoán và lập kế hoạch điều trị.

Học tập Zero-Shot so với Học tập Few-Shot và Học tập One-Shot

Trong khi Zero-Shot Learning xử lý việc nhận dạng các lớp không có bất kỳ ví dụ đào tạo nào, các khái niệm liên quan như few-shot learning và one-shot learning xử lý các tình huống có dữ liệu hạn chế. Few-shot learning hướng đến việc khái quát hóa chỉ từ một vài ví dụ cho mỗi lớp, còn one-shot learning hướng đến việc học chỉ từ một ví dụ duy nhất cho mỗi lớp. Các cách tiếp cận này ít cực đoan hơn Zero-Shot Learning nhưng vẫn tập trung vào hiệu quả dữ liệu. Ngược lại với học có giám sát, đòi hỏi nhiều ví dụ được gắn nhãn cho mỗi lớp, Zero-Shot Learning và các mô hình liên quan của nó cung cấp các giải pháp cho việc học và khái quát hóa trong các môi trường thiếu dữ liệu, giúp các mô hình AI có khả năng thích ứng hơn và có thể áp dụng rộng rãi hơn.

Bằng cách cho phép các mô hình mở rộng sang các lớp chưa từng thấy, Zero-Shot Learning mở rộng đáng kể tiềm năng của AI trong việc giải quyết các vấn đề thực tế được đặc trưng bởi tính mới lạ và các tập dữ liệu đang phát triển, mở rộng ranh giới những gì trí tuệ nhân tạo có thể đạt được.