ستساعدك المقالة التالية: طور باحثون من Skoltech و AIRI خوارزمية جديدة لنقل البيانات الأمثل بين المجالات باستخدام الشبكات العصبية
منذ ظهور شبكات OT و Wasserstein GAN واسعة النطاق ، اعتنق التعلم الآلي بشكل متزايد استخدام الشبكات العصبية لحل مشكلات النقل الأمثل (OT). ثبت مؤخرًا أن خطة OT قابلة للاستخدام كنموذج توليدي مع أداء مشابه في المهام الحقيقية. غالبًا ما يتم حساب تكلفة OT واستخدامها كوظيفة خسارة لتحديث المولد في النماذج التوليدية.
تعاون معهد أبحاث الذكاء الاصطناعي (AIRI) و Skoltech على خوارزمية جديدة لتحسين مشاركة المعلومات عبر التخصصات باستخدام الشبكات العصبية. تجعل الأسس النظرية للخوارزمية ناتجها أكثر سهولة في الفهم من الطرق المنافسة. على عكس الأساليب الأخرى التي تحتاج إلى مجموعات بيانات تدريبية مقترنة مثل أمثلة المدخلات والمخرجات ، يمكن تدريب النهج الجديد على مجموعات بيانات منفصلة من مجالات الإدخال والإخراج.
يصعب الحصول على مجموعات بيانات تدريبية كبيرة ، لكنها ضرورية لنماذج التعلم الآلي الحديثة المصممة لتطبيقات مثل التعرف على الوجه أو الكلام وتحليل الصور الطبية. هذا هو السبب في أن العلماء والمهندسين يلجأون غالبًا إلى محاكاة مجموعات بيانات العالم الحقيقي من خلال وسائل اصطناعية. جعلت التطورات الحديثة في النماذج التوليدية هذه المهمة أسهل بكثير من خلال تحسين جودة النصوص والصور التي تم إنشاؤها بشكل كبير.
يتم تدريس الشبكة العصبية للتعميم والتوسع من عينات التدريب المزدوجة ومجموعات صور المدخلات والمخرجات إلى الصور الواردة الجديدة ؛ هذا مفيد للوظائف حيث يجب معالجة العديد من الصور المتطابقة ذات الجودة المتفاوتة. بمعنى آخر ، تسهل النماذج التوليدية الانتقال من مجال إلى آخر عن طريق تجميع البيانات من بيانات مختلفة. قد تقوم الشبكة العصبية ، على سبيل المثال ، بتحويل رسم مرسوم يدويًا إلى صورة رقمية أو تحسين وضوح صورة القمر الصناعي.
تعد محاذاة التوزيعات الاحتمالية مع خرائط النقل الحتمية والاستوكاستك استخدامًا فريدًا للتكنولوجيا ، وهي أداة عامة. ستعمل الطريقة على تحسين النماذج الموجودة في مجالات أخرى غير الترجمة غير المزدوجة (استعادة الصورة ، قابلية المجال للتكيف ، وما إلى ذلك). يسمح النهج بمزيد من التحكم في مستوى التنوع في العينات المنتجة وتحسين قابلية تفسير الخريطة المكتسبة مقارنة بالطرق الشائعة القائمة على شبكات GAN أو نماذج الانتشار. قد تحتاج خرائط OT التي يكتسبها الباحثون إلى المراجعة للأنشطة غير المزدوجة. يسلط الباحثون الضوء على تصميم تكلفة النقل لمهام معينة كمنطقة دراسة محتملة.
يكمن تقاطع النقل والتعلم التوليدي الأمثل في قلب النهج المختار. تستخدم مجالات الترفيه والتصميم ورسومات الكمبيوتر والتقديم وما إلى ذلك على نطاق واسع النماذج التوليدية والنقل الفعال. قد تكون العديد من القضايا في القطاعات المذكورة أعلاه قابلة للنهج. الجانب السلبي المحتمل هو أن بعض المهن في مجال الرسومات قد تتأثر باستخدام الأدوات السابقة ، مما يسمح بإتاحة تقنيات معالجة الصور للجمهور.
غالبًا ما يتعين على الباحثين الاكتفاء بمجموعات البيانات غير ذات الصلة بدلاً من البيانات المتطابقة المثالية بسبب تكلفتها الباهظة أو صعوبة الحصول عليها. عاد الفريق إلى كتابات عالم الرياضيات والاقتصاد السوفيتي ليونيد كانتوروفيتش ، مستفيدًا من أفكاره حول النقل الفعال للبضائع (نظرية النقل المثلى) لتطوير طريقة جديدة لتخطيط النقل الأمثل للبيانات بين المجالات. النقل العصبي الأمثل هو نهج جديد يستخدم الشبكات العصبية العميقة ومجموعات البيانات المنفصلة.
عند تقييمها على نقل مجال غير مزدوج ، تحقق الخوارزمية نتائج أفضل من أحدث الأساليب في تصميم الصور والمهام الأخرى. علاوة على ذلك ، فهي تتطلب عددًا أقل من المعلمات الفائقة ، والتي يصعب عادةً تعديلها ، ولها نتيجة أكثر قابلية للتفسير ، وتستند إلى أساس رياضي سليم من الطرق المنافسة.
