क्या ऑटोकेनोडर्स का उपयोग निगरानी सीखने के लिए किया जा सकता है?

Question

क्या Autoencoders को आउटपुट लेयर को जोड़े बिना सुपरवाइज़िंग लर्निंग के लिए इस्तेमाल किया जा सकता है ? क्या हम बस इसे प्रशिक्षण के लिए एक सुव्यवस्थित इनपुट-आउटपुट वेक्टर के साथ फ़ीड कर सकते हैं, और इंट्रेंस करते समय इनपुट भाग से आउटपुट भाग को फिर से जोड़ सकते हैं? आउटपुट भाग को निष्कर्ष के दौरान लापता मान के रूप में माना जाएगा और कुछ प्रतिरूपण लागू किया जाएगा।

Comments

मैं काफी नहीं समझता। यदि आप इसे इनपुट-आउटपुट वैक्टर के साथ प्रशिक्षित करते हैं, तो आपको नेटवर्क को खिलाने के लिए इंसुलेशन करते समय आउटपुट वैक्टर की भी आवश्यकता होगी। आप इसके बारे में क्या करने जा रहे हैं?

— दीदाम I

नहीं, उन्हें लापता मान लिया जाएगा और किसी तरह लगाया जाएगा। Autoencoder तो इसे फिर से संगठित करने की कोशिश करेगा (कई पुनरावृत्तियों आवश्यक हो सकता है,)। सवाल इस विचार की व्यवहार्यता के बारे में ठीक है। मैं स्पष्ट करने के लिए संपादित करूँगा।

— rcpinto

Answer 1

ऐसा ही एक कागज़ जिसके बारे में मुझे पता है और जिसे मैंने लागू किया, वह है लैडर नेटवर्कों का उपयोग करके सेमी-सुपरवाइज्ड लर्निंग । मैं यहां उनके मॉडल के विवरण का उद्धरण देता हूं:

हमारा दृष्टिकोण वालपोला (2015) का अनुसरण करता है, जिसने एक सीढ़ी नेटवर्क का प्रस्ताव रखा था जहां सहायक कार्य मॉडल के हर स्तर पर प्रतिनिधित्व को अस्वीकार करना है। मॉडल संरचना एक ऑटोएन्कोडर है जो एनकोडर से डिकोडर तक कनेक्शन को छोड़ देता है और सीखने का कार्य ऑटोइनोडर्स को नकारने के समान है लेकिन हर परत पर लागू होता है, न कि केवल इनपुट पर। स्किप कनेक्शन, मॉडल की उच्च परतों में विवरणों को दर्शाने के लिए दबाव को दूर करता है क्योंकि, स्किप कनेक्शन के माध्यम से, डिकोडर एनकोडर द्वारा त्याग दिए गए किसी भी विवरण को पुनर्प्राप्त कर सकता है।

आर्किटेक्चर पर आगे की व्याख्या के लिए योशुआ बेंगियो द्वारा सीढ़ी नेटवर्क आर्किटेक्चर की घोषणा करना।

Answer 2

मुझे याद है कि ऐसे सिस्टम के बारे में पेपर पढ़ना, अगर मैं आपको सही तरीके से समझूं, लेकिन फिलहाल शीर्षक याद नहीं कर सकता।

यह विचार चरित्र-आधारित जनरेटिव RNN का उपयोग करने के लिए था, उन्हें "datadatatatadata | answer" जैसे एन्कोड किए गए सीक्वेंस पर प्रशिक्षित करें, और फिर जब "otherdatadata |" तब यह किसी प्रकार का अपेक्षित उत्तर उत्पन्न करना जारी रखेगा।

लेकिन, जहां तक ​​मुझे याद है, यह सिर्फ एक साफ-सुथरा चित्रण था क्योंकि अगर आपके पास कुछ पर्यवेक्षण करने के लिए डेटा है, तो आप पारंपरिक तरीकों से बेहतर परिणाम प्राप्त करेंगे।