Aprendizaje activo para modelos de objetivos múltiples

Área de la Ciencia:

• Aprendizaje automático
• Inteligencia artificial
• Ciencia de los datos

Sus antecedentes:

• Los métodos tradicionales de aprendizaje activo (AL) a menudo dependen del modelo y carecen de transferibilidad.
• Las aplicaciones del mundo real con frecuencia requieren entrenar múltiples modelos para diversos recursos computacionales.
• Los enfoques de AL existentes se enfrentan a desafíos en los escenarios de aprendizaje de múltiples modelos.

Objetivo del estudio:

• Investigar la viabilidad de diseñar métodos eficaces de aprendizaje activo para el aprendizaje simultáneo de múltiples modelos objetivo.
• Analizar la complejidad de la consulta del aprendizaje activo frente al pasivo en un entorno de varios modelos.
• Desarrollar una nueva estrategia de AL aplicable a diversos modelos de aprendizaje automático.

Principales métodos:

• Análisis de la complejidad de la consulta para el aprendizaje activo y pasivo en el entorno de múltiples modelos.
• Propuesta de una estrategia de muestreo de aprendizaje activo.
• Selección de puntos de datos de regiones de desacuerdo común entre diferentes modelos objetivo.

Principales resultados:

• Potencial demostrado para el aprendizaje activo para lograr una mayor complejidad de la consulta en el aprendizaje multimodelo.
• Validación de la eficacia de la estrategia de muestreo de AL agnóstico propuesta.
• Los resultados experimentales muestran un rendimiento superior en comparación con los métodos AL tradicionales en conjuntos de datos de referencia.

Conclusiones:

• Se puede diseñar un método de aprendizaje activo eficaz para el aprendizaje simultáneo de múltiples modelos objetivo.
• La estrategia de AL agnóstica propuesta ofrece una dirección prometedora para una formación multimodelo eficiente.
• Este enfoque mejora la eficiencia de los datos en los sistemas de aprendizaje automático con diversos requisitos de modelo.