🔒 Rozpoznaj labradora… chociaż go ledwo znasz, czyli few-shot learning

Standardowe uczenie nadzorowane jest bardzo skuteczne, jednak bywa niepraktyczne – trudno pozyskać etykietowane przykłady treningowe ze względu na wysokie koszty czy choćby ograniczoną dostępność istniejących próbek. Jednym z obiecujących prób rozwiązania problemu niedoboru danych etykietowanych jest few-shot learning, który umożliwia modelom efektywne uczenie się i generalizowanie wiedzy na podstawie zaledwie kilku przykładów treningowych.

Czym jest few-shot learning?

Few-shot learning to framework uczenia maszynowego, w którym model AI uczy się dokonywać trafnych prognoz, trenując na bardzo małej liczbie oznaczonych przykładów. To rozwiązanie zazwyczaj stosowane do trenowania modeli w zadaniach klasyfikacyjnych, gdy brakuje odpowiednio dużej liczby danych. Jego przeciwieństwem jest tradycyjne uczenie nadzorowane, które zazwyczaj wykorzystuje setki (lub tysiące) oznaczonych danych w wielu rundach (epokach) treningu, aby nauczyć modele AI rozpoznawania klas danych. Rozpatrzmy prosty przykład. Chcemy zbudować model, który określi, jaką rasę psa przedstawia obraz – golden retriever czy labrador retriever, a do dyspozycji mamy tylko 25 obrazków.