التعلّم النشط للتعليق
ما هو التعلّم النشط، ومتى يفيد، واستراتيجيات الاستعلام التي يدعمها Potato (عدم اليقين، التنوّع، BADGE، BALD)، لتعليق عناصر أقل مع الحفاظ على جودة النموذج نفسها.
يختار التعلّم النشط أيَّ العناصر يُعلَّق تاليًا، حتى يبلغ النموذج الدقّة نفسها بعدد أقل بكثير من التصنيفات. فبدلًا من التعليق عشوائيًّا، تُعلِّق العناصر التي يجدها النموذج الأكثر إفادة. وحين يكون التعليق هو عنق الزجاجة، يكون هذا من أعلى الأساليب المتاحة عائدًا.
للاطلاع على الخلفية، انظر التعلّم النشط. ولمرجع الميزة، انظر التعلّم النشط.
الحلقة
- علِّق مجموعة بذرة صغيرة.
- درِّب نموذجًا سريعًا على ما لديك.
- سجِّل درجات العناصر في المجموعة غير المُعلَّقة واختَر الأكثر إفادة.
- علِّقها وأضِفها وأعِد التدريب. كرِّر ذلك.
العائد هو كفاءة البيانات: ينفق النموذج ميزانية التعليق حيث يتعلّم أكثر ما يمكن.
استراتيجيات الاستعلام التي يدعمها Potato
- أخذ العينات بحسب عدم اليقين: اختَر العناصر التي يكون النموذج أقلَّ ثقةً بها (قرب حدّ القرار). الخيار الافتراضي الأبسط، وكثيرًا ما يكون فعّالًا.
- أخذ العينات بحسب التنوّع: اختَر عناصر مختلفة بعضها عن بعض، كي لا تهدر الميزانية على ما يكاد يكون مكررًا.
- BADGE: يجمع بين عدم اليقين والتنوّع باستخدام تضمينات التدرّج.
- BALD: استراتيجية بايزية تختار العناصر التي يُتوقّع أن تقلّل عدم يقين النموذج أكثر من غيرها.
- هجينة: تمزج بين الاستراتيجيات.
yaml
active_learning:
enabled: true
schema_names: [sentiment]
query_strategy: uncertainty # or diversity, badge, bald, hybrid
min_instances_for_training: 20متى يفيد التعلّم النشط ومتى لا يفيد
يفيد حين تكون التصنيفات باهظة، والمجموعة كبيرة، ويمكن تدريب نموذج مفيد على بذرة صغيرة. ويفيد أقلَّ حين:
- تكون المهمة سهلة لدرجة أن التعليق العشوائي يبلغ الإشباع بسرعة.
- تحتاج إلى مجموعة اختبار محجوزة غير منحازة، فأبقِ بيانات التقييم مأخوذة عشوائيًّا، لأن البيانات التي يختارها التعلّم النشط منحازة عمدًا.
- تكون التصنيفات رخيصة مقارنةً بجهد الهندسة.