详细内容或原文请订阅后点击阅览
使用生成网络的力量转换AI
机器学习技术的演变继续推动人工智能可能发生的界限。在一项开创性的研究中，研究人员Johan du Preez教授和Stellenbosch大学的Emile-Reyn Engelbrecht博士弥合了机器学习的两个重要领域之间的概念差距：半义务学习（SSL）（SSL）和生成的开放式识别（OSR）。他们的[…]
来源:科学特色系列机器学习技术的演变继续推动人工智能可能发生的界限。在一项开创性的研究中，研究人员Johan du Preez教授和Stellenbosch大学的Emile-Reyn Engelbrecht博士弥合了机器学习的两个重要领域之间的概念差距：半义务学习（SSL）（SSL）和生成的开放式识别（OSR）。他们的发现发表在《科学非洲》中，通过使用生成的对抗网络（GAN）揭示了深刻的联系，这可能会导致更具成本效益和有效的机器学习模型。
他们的研究核心是甘恩斯的创新使用，这是一种动态的工具，传统上将两个神经网络相互对抗：一个生成数据，一个用于评估它。该研究深入研究了如何不仅可以将这些网络用于SSL，其中仅标记了一部分数据，而且还针对OSR，这需要在测试阶段识别新颖的，以前看不见的类别。
研究人员假设，将SSL和OSR联系起来的关键在于他们称其为“不良”样本的生成，这些点是故意被设计为模棱两可或误导的。这些样品填充了“互补空间”，这是数据光谱中已知类别之间的概念领域。通过使用这些样品进行培训分类器，这些模型不仅可以识别，而且可以适当地对没有明确培训的新颖投入进行分类。
该研究在相同的实验条件下进行了基础SSL-GAN和最先进的OSR-GAN之间进行了广泛的比较。结果非常相似，从而证实了研究人员的理论，即管理SSL和OSR的基本机制通过对互补空间的处理而相互联系。