Новый алгоритм машинного обучения не нуждается в негативных данных

Группа исследователей из японского института RIKEN разработала продвинутый метод машинного обучения для приложений классификации. Он позволяет обойтись без так называемых «негативных данных», например, натренировать систему отличать яблоки от бананов, имея в качестве образцов для обучения одни яблоки.

Проблема нехватки негативных данных кажется малозначительной, однако с ней часто сталкиваются в реальной жизни. Пытаясь прогнозировать, кто из посетителей сделает покупку, торговые веб-сайты могут использовать для обучения информацию только о тех, кто что-то уже приобрел — остальные покидают сайт, не оставляя сведений о себе.

«Прежние методы классификации не могли справиться с ситуацией, когда отрицательные данные были недоступны, но мы сделали возможным обучение компьютеров только на положительных данных, при наличии для них оценки достоверности, полученной на базе такой информации, как желание сделать покупку, — рассказал Такаши Ишида (Takashi Ishida), сотрудник RIKEN. — Используя наш новый метод, мы можем позволить компьютерам обучать классификатор только на положительных данных в сочетании с их достоверностью».

Под достоверностью, в этом случае, понимается математическая вероятности того, что данные относятся именно к позитивной категории.

Основанный на этом подходе метод позволил компьютеру успешно определять классификационную границу, отделяющую только позитивные данные. Так, в испытаниях, созданная авторами программа научилась отличать фотографии футболок от других предметов одежды и обуви. В ряде случаев она работала столь же эффективно, как алгоритм, обученный с применением и позитивных, и негативных примеров.

По мнению Ишиды, это открытие позволит расширить диапазон практических задач и ситуаций, к которым применимы технологии классификации на базе ИИ.

Ready, set, buy! Посібник для початківців - як придбати Copilot для Microsoft 365