Cómo el ‘aprendizaje de menos de una sola vez’ podría abrir nuevos espacios para la investigación del aprendizaje automático

Si le dijera que imaginara algo entre un caballo y un pájaro, digamos, un caballo volador, ¿necesitaría ver un ejemplo concreto? Tal criatura no existe, pero nada nos impide usar nuestra imaginación para crear una: el Pegaso.

Pegaso

La mente humana tiene todo tipo de mecanismos para crear nuevos conceptos combinando el conocimiento abstracto y concreto que tiene del mundo real. Podemos imaginar cosas existentes que nunca hubiéramos visto (un caballo con un cuello largo, una jirafa), así como cosas que no existen en la vida real (una serpiente alada que exhala fuego, un dragón). Esta flexibilidad cognitiva nos permite aprender cosas nuevas con pocos y, a veces, sin ejemplos nuevos.

A diferencia de, aprendizaje automático y aprendizaje profundo, los campos líderes actuales de la inteligencia artificial, se sabe que requieren muchos ejemplos para aprender nuevas tareas, incluso cuando están relacionadas con cosas que ya saben.

Superar este desafío ha llevado a una gran cantidad de trabajo de investigación e innovación en el aprendizaje automático. Y aunque todavía estamos lejos de crear una inteligencia artificial que pueda replicar la capacidad del cerebro para comprender, el progreso en el campo es notable.

Por ejemplo, transferencia de aprendizaje es una técnica que permite a los desarrolladores ajustar una red neuronal artificial para una nueva tarea sin la necesidad de muchos ejemplos de entrenamiento. Pocos disparos y aprendizaje de una sola vez Permita que un modelo de aprendizaje automático entrenado en una tarea realice una tarea relacionada con uno o muy pocos ejemplos nuevos. Por ejemplo, si tiene un clasificador de imágenes entrenado para detectar balones de voleibol y fútbol, ​​puede usar el aprendizaje de una sola vez para agregar baloncesto a la lista de clases que puede detectar.

[Read: A beginner’s guide to the math that powers machine learning]

Una nueva técnica denominada “aprendizaje de menos de una sola vez” (o aprendizaje LO-shot), desarrollada recientemente por científicos de inteligencia artificial de la Universidad de Waterloo, lleva el aprendizaje de una sola vez al siguiente nivel. La idea detrás del aprendizaje LO-shot es que para entrenar un modelo de aprendizaje automático para detectar clases M, necesita menos de una muestra por clase. La técnica, introducida en un artículo publicado en el preprocesador arXiv, se encuentra todavía en sus primeras etapas, pero se muestra prometedor y puede ser útil en varios escenarios donde no hay suficientes datos o demasiadas clases.

El clasificador k-NN

Algoritmo de aprendizaje automático k-NN