Google Pixel 5?
Google ma ogłosił dostępność wielu zbiorów danych składający się z różnorodnych, ale ograniczonych obrazów naturalnych. Gigant wyszukiwania jest przekonany, że publicznie dostępne dane będą napędzać tempo Uczenie maszynowe i sztuczna inteligencja przy jednoczesnym skróceniu czasu potrzebnego do trenowania modeli AI na minimalnej ilości danych. Google nazywa nową inicjatywę „Bezpłatne metadane”, które pomogą modelom sztucznej inteligencji „uczyć się” na mniejszej ilości danych. „Few-Shot AI” firmy jest zoptymalizowany tak, aby sztuczna inteligencja uczyła się nowych klas na podstawie zaledwie kilku reprezentatywnych obrazów.
Rozumiejąc potrzebę szybkiego trenowania modeli sztucznej inteligencji i uczenia maszynowego przy użyciu mniejszej liczby zestawów danych, firma Google wprowadziła „Meta-Dataset”, niewielką kolekcję obrazów, która powinna pomóc zmniejszyć ilość danych potrzebnych do poprawy dokładności algorytmów. Firma twierdzi, że korzystając z technik klasyfikacji kilku ujęć, modele AI i ML uzyskają ten sam wgląd w znacznie mniej reprezentatywnych obrazów.
Google AI ogłasza zbiór metadanych: zbiór danych do krótkich szkoleń:
Deep Learning dla sztucznej inteligencji i uczenia maszynowego rozwija się wykładniczo od dłuższego czasu. Jednak podstawowym wymaganiem jest dostępność danych wysokiej jakości, także w dużych ilościach. Duże ilości ręcznie opatrzonych adnotacjami danych szkoleniowych są często trudne do zdobycia i czasami mogą być również zawodne. Rozumiejąc ryzyko związane z dużymi zbiorami danych, firma Google ogłosiła dostępność zbioru metadanych.
Przez ' Meta-Dataset: zestaw danych do nauki na podstawie kilku przykładów ”(Przedstawione o godz ICLR 2020 ), Firma Google zaproponowała wielkoskalowy i zróżnicowany punkt odniesienia do pomiaru kompetencji różnych modeli klasyfikacji obrazów w realistycznym i wymagającym ustawieniu kilku ujęć, oferując ramy, w których można zbadać kilka ważnych aspektów klasyfikacji kilku ujęć. Zasadniczo Google oferuje 10 publicznie dostępnych i bezpłatnych zbiorów danych zawierających obrazy naturalne. Te zbiory danych obejmują ImageNet, CUB-200-2011, grzyby, odręczne znaki i gryzmoły. Kod to publiczny i zawiera notatnik który pokazuje, jak Meta-Dataset może być używany w TensorFlow i PyTorch .
Klasyfikacja kilku strzałów wykracza poza standardowe modele szkolenia i głębokiego uczenia się . W czasie testu wymaga uogólnienia na zupełnie nowe klasy. Innymi słowy, obrazy użyte podczas testów nie były widoczne podczas treningu. W klasyfikacji kilku strzałów zestaw treningowy zawiera klasy, które są całkowicie oddzielone od tych, które pojawią się w czasie testu. Każde zadanie testowe zawiera plik zestaw wsporników kilku oznaczonych obrazów, z których model może dowiedzieć się o nowych klasach i rozłączeniu zestaw zapytań przykładów, które model ma następnie sklasyfikować.
Zbiór metadanych to duży składnik, w którym uogólnienie badań modelowych na całkowicie nowe zbiory danych , z którego nie widać żadnych zdjęć żadnej klasy podczas treningu. Jest to dodatek do trudnego wyzwania polegającego na uogólnianiu nowych klas, nieodłącznie związanych z konfiguracją uczenia się w kilku ujęciach.
W jaki sposób metadane pomagają w głębokim uczeniu się sztucznej inteligencji i modelom uczenia maszynowego?
Meta-Dataset reprezentuje jak dotąd zorganizowany wzorzec porównawczy o największej skali dla wielu zestawów danych, obejmujący kilka ujęć. Wprowadza również algorytm próbkowania do generowania zadań o różnej charakterystyce i stopniu trudności, zmieniając liczbę klas w każdym zadaniu, liczbę dostępnych przykładów na klasę, wprowadzając nierównowagę klas oraz, dla niektórych zbiorów danych, zmieniając stopień podobieństwa między zajęcia każdego zadania.
Meta-Dataset wprowadza nowe wyzwania dla kilkukrotnej klasyfikacji. Badania Google są wciąż wstępne i jest wiele do zrobienia. Jednak gigant wyszukiwania stwierdził, że naukowcy odnoszą sukcesy. Niektóre z godnych uwagi przykładów obejmują sprytnie zaprojektowane zadanie kondycjonowanie , bardziej wyrafinowany strojenie hiperparametrów , do ' meta-baseline ”, Który łączy w sobie zalety treningu wstępnego i meta-uczenia się, a wreszcie używania wybór funkcji wyspecjalizować uniwersalną reprezentację dla każdego zadania.
Tagi Google
