सक्रिय अधिगम (Active Learning)
सक्रिय अधिगम पर्यवेक्षित अधिगम का एक पुनरावृत्त प्रकार है जो उन स्थितियों के लिए प्रासंगिक है जहां डेटा पर्याप्त है, लेकिन क्लास लेबल दुर्लभ या प्राप्त करने में महंगे हैं। अधिगम एल्गोरिदम इसमें सक्रिय है कि यह लेबल के लिए एक उपयोगकर्ता (जैसे, एक व्यक्ति ओरेकल) को सावधानीपूर्वक क्वेरी कर सकता है। इस विधि से एक अवधारणा को समझने के लिए उपयोग किए जाने वाले कई टुपल्स की संख्या सामान्य पर्यवेक्षित अधिगम में आवश्यक संख्या से कम होती है।
उद्देश्य और प्रक्रिया
लागत कम रखने के लिए, सक्रिय शिक्षार्थी का उद्देश्य यथासंभव कम लेबल वाले उदाहरणों का उपयोग करके उच्च सटीकता प्राप्त करना है। मान लीजिए D विचाराधीन सभी डेटा है। D पर सक्रिय अधिगम के लिए कई विधियां जारी रहती हैं।
मान लीजिए कि D का एक छोटा उपसमूह क्लास-लेबल है। इस सेट को L द्वारा दर्शाया गया है। U, D में अनलेबल डेटा का सेट है। इसे अनलेबल डेटा के पूल के रूप में भी परिभाषित किया गया है। एक सक्रिय शिक्षार्थी L को मूल प्रशिक्षण सेट के रूप में शुरू करता है। यह एक क्वेरी सेवा का उपयोग करके U से एक या अधिक डेटा नमूनों को सावधानीपूर्वक चुन सकता है और एक ओरेकल (जैसे, एक व्यक्ति एनोटेटर) से उनके लिए लेबल का अनुरोध कर सकता है।
नव लेबल वाले नमूनों को L में डाला जाता है, जिसकी शिक्षार्थी को एक मानक पर्यवेक्षित विधि में आवश्यकता होती है। प्रक्रिया जारी रहती है। सक्रिय अधिगम का उद्देश्य लागू होने वाले कुछ लेबल वाले टुपल्स का उपयोग करके उच्च सटीकता लागू करना है। सक्रिय अधिगम एल्गोरिदम आमतौर पर लर्निंग कर्व्स के उपयोग के साथ गणना की जाती है, जो क्वेरी किए गए कई इंस्टेंस के फ़ंक्शन के रूप में सटीकता को प्लॉट करते हैं।
डेटा टुपल्स चयन के लिए फ्रेमवर्क
कुछ सक्रिय अधिगम शोध इस बात पर ध्यान केंद्रित करते हैं कि क्वेरी किए जाने वाले डेटा टुपल्स का चयन कैसे किया जाए। विभिन्न फ्रेमवर्क प्रस्तावित किए गए हैं। अनिश्चितता नमूनाकरण आम है, जहां सक्रिय शिक्षार्थी उन टुपल्स को क्वेरी करने का चयन करता है जिन्हें लेबल करने के बारे में वह कम से कम विशिष्ट है।
कई विधियां वर्जन स्पेस को कम करने का काम करती हैं, यानी उन सभी परिकल्पनाओं का उपसमूह जो देखे गए प्रशिक्षण टुपल्स के साथ सुसंगत हैं। यह एक निर्णय-सैद्धांतिक दृष्टिकोण का पालन कर सकता है जो अपेक्षित त्रुटि कमी की गणना करता है।
यह उन टुपल्स का चयन करता है जिनके परिणामस्वरूप गलत भविष्यवाणियों की कुल संख्या में उच्चतम कमी हो सकती है, जिसमें U पर अपेक्षित एन्ट्रॉपी को कम करके शामिल है। यह दृष्टिकोण कम्प्यूटेशनल रूप से अधिक महंगा होता है।
ट्रांसफर लर्निंग
ट्रांसफर लर्निंग का उद्देश्य एक या अधिक स्रोत कार्यों से ज्ञान प्राप्त करना और उस ज्ञान को एक लक्ष्य कार्य पर लागू करना है। पारंपरिक अधिगम दृष्टिकोण उपलब्ध क्लास-लेबल प्रशिक्षण और परीक्षण जानकारी के आधार पर प्रत्येक नए क्लासिफिकेशन कार्य के लिए एक नया क्लासिफायर बनाता है।
ट्रांसफर लर्निंग एल्गोरिदम एक नए (लक्ष्य) कार्य के लिए क्लासिफायर बनाते समय स्रोत सेवाओं के बारे में ज्ञान लागू करते हैं। परिणामी क्लासिफायर के विकास के लिए कम प्रशिक्षण डेटा और कम प्रशिक्षण समय की आवश्यकता होती है। पारंपरिक अधिगम एल्गोरिदम मानते हैं कि प्रशिक्षण डेटा और परीक्षण डेटा एक ही वितरण और समान फीचर क्षेत्र से लिए गए हैं। इसलिए, यदि वितरण बदलता है, तो ऐसी तकनीकों को स्क्रैच से मॉडल को पुनर्निर्माण करने की आवश्यकता होती है।
