“`html
Концептуальное обучение (CBL) в машинном обучении
Концептуальное обучение (CBL) в машинном обучении подчеркивает использование высокоуровневых концепций из исходных признаков для прогнозирования, улучшая интерпретируемость и эффективность модели. Одним из важных типов является модель на основе узких мест (CBM), которая сжимает входные признаки в низкоразмерное пространство для захвата существенных данных, отбрасывая несущественную информацию. Этот процесс улучшает объяснимость в задачах, таких как распознавание изображений и речи. Однако CBM часто требуют глубоких нейронных сетей и обширных размеченных данных. Более простой подход включает в себя обучение на основе множественных экземпляров (MIL), который размечает группы данных (мешки) с неизвестными индивидуальными метками. Например, кластеризация фрагментов изображений и назначение вероятностей на основе общих меток изображений может выводить индивидуальные метки фрагментов.
Исследователи Великого Политехнического университета Санкт-Петербурга
Исследователи Великого Политехнического университета Санкт-Петербурга выработали подход к CBL, известный как частотный вывод CBL (FI-CBL). Этот метод включает сегментацию концептуально размеченных изображений на фрагменты и кодирование их вложениями с использованием автокодировщика. Затем эти вложения кластеризуются для идентификации групп, соответствующих конкретным концепциям. FI-CBL определяет вероятности концепций для новых изображений путем анализа частоты фрагментов, связанных с каждым значением концепции. Более того, FI-CBL интегрирует экспертные знания через логические правила, которые соответственно корректируют вероятности концепций. Этот подход выделяется своей прозрачностью, интерпретируемостью и эффективностью, особенно в сценариях с ограниченными данными для обучения.
Применение моделей CBL
Модели CBL, включая CBM, используют высокоуровневые концепции для интерпретируемых прогнозов. Эти модели охватывают различные приложения, от распознавания изображений до анализа табличных данных, и являются ключевыми в медицине. CBM имеют двухмодульную структуру, которая разделяет изучение концепций и их влияние на целевую переменную. Инновации, такие как модели вложения концепций и вероятностные CBM, улучшили их интерпретируемость и точность. Кроме того, интеграция экспертных знаний в машинное обучение, особенно через логические правила, вызвала значительный интерес, с методами, варьирующимися от ограничений в функциях потерь до отображения правил на компоненты нейронной сети.
Интеграция экспертных правил в FI-CBL
Интеграция экспертных правил в FI-CBL глубоко влияет на вероятностную модель, корректируя априорные и условные вероятности концепций. Путем интеграции логических выражений, предоставленных экспертами, таких как “ЕСЛИ контур <зернистый>, ТО диагноз <злокачественный>“, модель уточняет свои прогнозы на основе этих ограничений. Это улучшение облегчает более тонкое понимание данных медицинского изображения, где априорные вероятности для диагнозов, таких как <злокачественный>, увеличиваются или уменьшаются в соответствии с удовлетворением правила, тем самым повышая точность и интерпретируемость диагностики. Интеграция экспертных правил усиливает FI-CBL, совмещая экспертное знание с эффективным статистическим моделированием, продвигая надежность и информативность в медицинской диагностике.
Преимущества FI-CBL
FI-CBL предлагает значительные преимущества по сравнению с CBM на основе нейронных сетей в определенных сценариях. FI-CBL характеризуется прозрачностью и интерпретируемостью, обеспечивая четкую последовательность вычислений и явные вероятностные интерпретации всех выходных данных модели. Он демонстрирует превосходную производительность с небольшими обучающими наборами данных, используя надежные статистические методы для улучшения точности классификации. Однако эффективность FI-CBL в значительной степени зависит от точной кластеризации и оптимального выбора размера фрагмента, что представляет вызовы в сценариях с различными размерами концепций. Несмотря на эти трудности, гибкость в настройке архитектуры FI-CBL и способность эффективно интегрировать экспертные правила делают его многообещающим подходом для улучшения интерпретируемости и производительности в задачах машинного обучения.
Проверьте статью. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также не забудьте подписаться на нас в Twitter.
Присоединяйтесь к нашему Telegram-каналу и группе в LinkedIn.
Если вам понравилась наша работа, вам понравится и наша рассылка.
Не забудьте присоединиться к нашему 45k+ ML SubReddit.
Статья FI-CBL: A Probabilistic Method for Concept-Based Machine Learning with Expert Rules опубликована на MarkTechPost.
Применение FI-CBL в бизнесе
Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте FI-CBL: A Probabilistic Method for Concept-Based Machine Learning with Expert Rules.
Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI.
Определитесь какие ключевые показатели эффективности (KPI): вы хотите улучшить с помощью ИИ.
Подберите подходящее решение, сейчас очень много вариантов ИИ. Внедряйте ИИ решения постепенно: начните с малого проекта, анализируйте результаты и KPI.
На полученных данных и опыте расширяйте автоматизацию.
Если вам нужны советы по внедрению ИИ, пишите нам на https://t.me/itinai. Следите за новостями о ИИ в нашем Телеграм-канале t.me/itinainews или в Twitter @itinairu45358.
Попробуйте AI Sales Bot https://itinai.ru/aisales. Этот AI ассистент в продажах помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж, снижать нагрузку на первую линию.
Узнайте, как ИИ может изменить ваши процессы с решениями от AI Lab itinai.ru. Будущее уже здесь!
“`
