Yazıyı okuyorsunuz: Skoltech ve AIRI’den araştırmacılar, sinir ağlarını kullanarak alanlar arasında veri aktarımını optimize etmek için yeni bir algoritma geliştirdiler
Büyük ölçekli OT ve Wasserstein GAN’ın ortaya çıkışından bu yana, makine öğrenimi, optimal ulaşım (OT) sorunlarını çözmek için sinir ağlarının kullanımını giderek daha fazla benimsedi. Yakın zamanda OT planının gerçek görevlerde karşılaştırılabilir performansa sahip üretken bir model olarak kullanılabileceği gösterilmiştir. OT maliyeti genellikle hesaplanır ve üretken modellerde jeneratörü güncellemek için bir kayıp fonksiyonu olarak kullanılır.
Yapay Zeka Araştırma Enstitüsü (AIRI) ve Skoltech, sinir ağlarını kullanarak disiplinler arasındaki bilgi alışverişini optimize etmek için yeni bir algoritma üzerinde işbirliği yaptı. Algoritmanın teorik temelleri, sonucunun anlaşılmasını rakip yöntemlere göre daha kolay hale getirir. Girdi ve çıktı örnekleri gibi birleşik eğitim veri kümelerine ihtiyaç duyan diğer yaklaşımlardan farklı olarak, yeni yaklaşım, girdi ve çıktı alanlarının ayrı veri kümeleri üzerinde eğitilebilir.
Büyük eğitim veri setlerine ulaşmak zordur ancak yüz veya konuşma tanıma ve tıbbi görüntü analizi gibi uygulamalar için oluşturulan modern makine öğrenimi modelleri için gereklidir. Bu nedenle bilim insanları ve mühendisler sıklıkla gerçek dünyadaki veri setlerini yapay yollarla simüle etmeye yöneliyor. Üretken modellerdeki son gelişmeler, oluşturulan metin ve görsellerin kalitesini önemli ölçüde artırarak bu işi çok daha kolay hale getirdi.
Bir sinir ağına, eşleştirilmiş eğitim örneklerinden ve girdi ve çıktı görüntü kümelerinden yeni gelen görüntülere kadar genelleştirme ve genişletme öğretilir; Bu, farklı kalitede birçok aynı fotoğrafın işlenmesi gereken işler için kullanışlıdır. Başka bir deyişle üretken modeller, farklı verilerden veri sentezleyerek bir alandan diğerine geçişi kolaylaştırır. Bir sinir ağı, örneğin elle çizilmiş bir çizimi dijital görüntüye dönüştürebilir veya bir uydu fotoğrafının netliğini artırabilir.
Olasılık dağılımlarını deterministik ve stokastik ulaşım haritalarıyla hizalamak, genel bir araç olan teknolojinin benzersiz bir kullanımıdır. Yöntem, eşleştirilmemiş çeviri dışındaki alanlardaki (görüntü restorasyonu, etki alanı uyarlanabilirliği vb.) mevcut modelleri geliştirecektir. Bu yaklaşım, GAN’lara veya yayılma modellerine dayalı yaygın yöntemlere kıyasla, üretilen numunelerdeki çeşitlilik düzeyi üzerinde daha fazla kontrole ve öğrenilen haritanın daha iyi yorumlanabilirliğine olanak tanır. OT harita araştırmacıları, eşleştirilmemiş faaliyetler için gözden geçirilme ihtiyacını duyabilirler. Araştırmacılar, belirli görevler için ulaşım maliyetlerinin tasarımını potansiyel bir çalışma alanı olarak vurguluyorlar.
Ulaşım ve üretken öğrenmenin optimum kesişimi, seçilen yaklaşımın merkezinde yer almaktadır. Eğlence, tasarım, bilgisayar grafikleri, görselleştirme vb. alanlarda üretken modeller ve verimli ulaşım yaygın olarak kullanılmaktadır. Yukarıda adı geçen sektörlerdeki çeşitli sorunlar bu yaklaşıma uygun olabilir. Olası dezavantaj, grafik işindeki bazı mesleklerin, görüntü işleme teknolojilerinin kamuya sunulmasına olanak tanıyan yukarıdaki araçların kullanımından etkilenebilmesidir.
Araştırmacılar, yüksek maliyetleri veya elde edilmesinin zorluğu nedeniyle sıklıkla ideal eşleştirilmiş veriler yerine ilgisiz veri kümeleriyle yetinmek zorunda kalıyor. Ekip, alanlar arasında en uygun veri aktarımını planlamak için yeni bir yöntem geliştirmek amacıyla verimli yük taşımacılığı (optimal ulaşım teorisi) hakkındaki fikirlerine dayanarak Sovyet matematikçi ve ekonomist Leonid Kantorovich’in yazılarına başvurdu. Optimum sinir aktarımı, derin sinir ağlarını ve ayrı veri kümelerini kullanan yeni bir yaklaşımdır.
Eşleştirilmemiş etki alanı aktarımı değerlendirildiğinde algoritma, görüntü düzeni ve diğer görevlerde en son teknoloji yaklaşımlardan daha iyi sonuçlar elde eder. Ek olarak, ayarlanması genellikle zor olan, daha yorumlanabilir sonuçlara sahip olan ve rakip yöntemlere göre sağlam bir matematiksel temele dayanan daha az hiper parametre gerektirir.
