Home Notizie recenti Il trasferimento di apprendimento offre nuove informazioni sulla stima degli errori di...

Il trasferimento di apprendimento offre nuove informazioni sulla stima degli errori di apprendimento automatico

59
0

Credito: CC0 Pubblico Dominio

Omar Maddouri, uno studente di dottorato presso il Dipartimento di ingegneria elettrica e informatica della Texas A&M University, sta lavorando con il dottor Byung-Jun Yoon, professore, e il dottor Edward Dougherty, professore di cattedra di Robert M. Kennedy, per valutare i modelli di apprendimento automatico utilizzando i principi del transfer learning. Anche il dottor Francis “Frank” Alexander dei Brookhaven National Labs e il dottor Xiaoning Qian del Dipartimento di ingegneria elettrica e informatica della Texas A&M University sono coinvolti nel progetto.

Nell’apprendimento automatico basato sui dati, i modelli vengono creati per fare previsioni e stime per ciò che accadrà in un determinato set di dati. Un campo importante all’interno dell’apprendimento automatico è la classificazione, che consente a un set di dati di essere valutato da un algoritmo e quindi classificato o suddiviso in classi o categorie. Quando i set di dati forniti sono molto piccoli, può essere molto difficile non solo costruire un modello di classificazione basato su questi dati, ma anche valutare le prestazioni di questo modello, garantendone l’accuratezza. È qui che entra in gioco il transfer learning.

“Nel trasferimento dell’apprendimento, proviamo a trasferire la conoscenza o portare dati da un altro dominio per vedere se possiamo migliorare l’attività che stiamo facendo nel dominio di interesse o nel dominio di destinazione”, ha spiegato Maddouri.

Il dominio di destinazione è il luogo in cui vengono creati i modelli e ne vengono valutate le prestazioni. Il dominio di origine è un dominio separato che è ancora rilevante per il dominio di destinazione da cui viene trasferita la conoscenza per facilitare l’analisi all’interno del dominio di destinazione.

Il progetto di Maddouri utilizza una densità anteriore congiunta per modellare la correlazione tra i domini di origine e di destinazione e offre un approccio bayesiano per applicare i principi del transfer learning per fornire uno stimatore di errore complessivo dei modelli. Uno stimatore di errore fornirà una stima dell’accuratezza di questi modelli di apprendimento automatico nel classificare i set di dati a portata di mano.

Ciò significa che prima che qualsiasi dato venga osservato, il team crea un modello utilizzando le inferenze iniziali sui parametri del modello nei domini di destinazione e di origine e quindi aggiorna questo modello con maggiore precisione man mano che diventano disponibili ulteriori prove o informazioni sui set di dati.

Questa tecnica di transfer learning è stata utilizzata per costruire modelli in lavori precedenti; tuttavia, nessuno ha mai utilizzato questa tecnica di transfer learning per proporre nuovi stimatori di errore per valutare le prestazioni di questi modelli. Per un utilizzo efficiente, lo stimatore di valuta è stato implementato utilizzando metodi statistici avanzati che hanno consentito un rapido screening dei set di dati di origine che migliora la complessità computazionale del processo di apprendimento del trasferimento da 10 a 20 volte.

Questa tecnica può servire come punto di riferimento per la ricerca futura all’interno del mondo accademico su cui basarsi. Inoltre, può aiutare a identificare o classificare diversi problemi medici che altrimenti sarebbero molto difficili. Ad esempio, Maddouri ha utilizzato questa tecnica per classificare i pazienti con schizofrenia utilizzando dati trascrittomici da campioni di tessuto cerebrale originariamente acquisiti da biopsie cerebrali invasive. A causa della natura e della posizione della regione cerebrale che può essere analizzata per questo disturbo, i dati raccolti sono molto limitati. Tuttavia, utilizzando una rigorosa procedura di selezione delle caratteristiche che comprende l’analisi dell’espressione genica differenziale e test statistici per la validità delle ipotesi, il team di ricerca ha identificato i profili trascrittomici di tre geni provenienti da una regione cerebrale aggiuntiva ritenuti altamente rilevanti per il tessuto cerebrale desiderato, come riportato da una ricerca indipendente studi di altra letteratura.

Questa conoscenza ha permesso loro di utilizzare la tecnica di apprendimento del trasferimento per sfruttare i campioni raccolti dalla seconda regione del cervello (dominio di origine) per aiutare con l’analisi e aumentare significativamente l’accuratezza della diagnosi all’interno della regione del cervello originale (dominio di destinazione). I dati raccolti dal dominio di origine possono essere esplorativi in ​​assenza di informazioni dal dominio di destinazione, consentendo al team di ricerca di migliorare la qualità della loro conclusione.


Articolo precedenteIl professore di informatica adotta un approccio “pratico” alla sicurezza degli smartphone
Articolo successivoI Democratici alla Camera abbandonano il piano dei fondi Covid-19 per far posto al conto di spesa degli Stati Uniti