Învățarea automată din supervizare slabă: O abordare empirică a minimizării riscurilor

Recenzii ale cititorilor

În prezent, nu există recenzii ale cititorilor. Evaluarea se bazează pe 3 voturi.

Titlul original:

Machine Learning from Weak Supervision: An Empirical Risk Minimization Approach

Conținutul cărții:

Teoria fundamentală și algoritmii practici ai clasificării slab supravegheate, cu accent pe o abordare bazată pe minimizarea riscului empiric.

Tehnicile standard de învățare automată necesită cantități mari de date etichetate pentru a funcționa bine. Cu toate acestea, atunci când aplicăm învățarea automată la probleme din lumea fizică, este extrem de dificil să colectăm astfel de cantități de date etichetate. Această carte prezintă teoria și algoritmii pentru învățarea slab supravegheată, o paradigmă a învățării automate din date slab etichetate. Punând accentul pe o abordare bazată pe minimizarea empirică a riscului și bazându-se pe cercetările de ultimă oră în domeniul învățării slab supravegheate, cartea oferă atât elementele fundamentale ale domeniului, cât și teoriile matematice avansate care stau la baza acestora. Cartea poate fi utilizată ca referință pentru practicieni și cercetători și în sala de clasă.

Cartea formulează mai întâi matematic problemele de clasificare, definește notațiile comune și analizează diverși algoritmi pentru clasificarea binară și multiclasă supravegheată. Se explorează apoi problemele de clasificare binară slab supravegheată, inclusiv clasificarea pozitivă fără etichetă (PU), clasificarea pozitivă-negativă fără etichetă (PNU) și clasificarea fără etichetă fără etichetă (UU). Se trece apoi la clasificarea multiclasă, discutând clasificarea cu etichetă complementară (CL) și clasificarea cu etichetă parțială (PL). În cele din urmă, cartea abordează probleme mai avansate, inclusiv o familie de metode de corecție pentru a îmbunătăți performanța de generalizare a învățării slab supravegheate și problema estimării clasei anterioare.