¿Cuál es el futuro del aprendizaje profundo sin supervisión?

Answer 1

Soy un poco escéptico respecto del aprendizaje sin supervisión, porque es demasiado difícil saber qué tarea se te pedirá que hagas. Si desea capacitar a un modelo para que mire una foto de una persona, deberá extraer características totalmente diferentes para diferentes aplicaciones. Si se trata de un videojuego que desea evaluar su nivel de interacción observando su expresión facial, necesitará características diferentes que si es una aplicación de compras que necesita identificar la marca de ropa que usa la persona y recomendar dónde comprarla. Así que creo que el futuro del aprendizaje profundo sin supervisión es convertirse en un aprendizaje semi-supervisado. Un buen ejemplo de esto es el entrenamiento de adversarios virtuales de Takeru Miyato et al:

[1507.00677] Suavizamiento distributivo con capacitación virtual publicitaria

[1605.07725] Capacitación de publicidad virtual para la clasificación de texto semiprotegido

También el aprendizaje semi-supervisado de Tim Salimans con GAN que coinciden con características:

[1606.03498] Técnicas mejoradas para entrenar GANs

Answer 2

Personalmente, creo que siempre habrá un futuro para el aprendizaje no supervisado y en la medida en que los robots recopilen datos (y desinfecten los datos) siempre habrá una necesidad de agrupar o agrupar los datos en consecuencia, dado un conjunto de n puntos y utilizando un centroide el algoritmo de agrupación como K significa que usted podría verificar con éxito todos los n conjuntos de datos e identificar los centroides K y luego la segunda parte del problema es básicamente asignar los puntos de datos a los centroides correspondientes, por lo tanto, habrá agrupado todos los n puntos con éxito, no puedo comenzar imagínese cómo funcionaría la robótica sin agrupar los algoritmos AI / ML como k significa que se trata de un agrupamiento basado en medias de n partículas en k agrupamientos.

El problema es NP difícil, pero las heurísticas se pueden usar para aproximar una buena solución y, por lo que sé, siempre que los robots continúen recolectando datos, será necesario resolver los problemas de tipo mediano.

Answer 3

Hay una cosa que hará el punto principal en la decisión.
El aprendizaje no supervisado siempre se usa (si es posible) para aumentar la precisión de la red. Así que primero usamos el aprendizaje no supervisado y luego supervisado. La idea principal es que la red no supervisada puede encontrar cosas que la gente ni siquiera podemos imaginar, lo que se conoce como sesgo humano.
Así que el futuro es muy brillante.

Answer 4

Por favor refiérase a la parte III de la siguiente url:

Aprendizaje profundo