A prática padrão para ensinar um algoritmo de aprendizado de máquina é fornecer todos os detalhes de uma só vez. Digamos que você esteja criando um sistema de classificação de imagens para reconhecer diferentes espécies de animais. Você mostra exemplos de cada espécie e os rotula de acordo: “pastor alemão” e “poodle” para cães.
Inspirando-se nessa abordagem, os pesquisadores da Universidade Carnegie Mellon criaram uma nova técnica que ensina uma rede neural a classificar as coisas em etapas.
Em cada estágio, a rede vê os mesmos dados de treinamento. Mas os rótulos começam simples e amplos, tornando-se mais específicos ao longo do tempo.
Para determinar essa progressão de dificuldade, os pesquisadores primeiro mostraram à rede neural os dados de treinamento com os rótulos finais detalhados.
Eles então computaram o que é conhecido como matriz de confusão, que mostra as categorias que o modelo teve mais dificuldade em diferenciar. Os pesquisadores usaram isso para determinar os estágios do treinamento, agrupando as categorias menos distinguíveis em um rótulo nos estágios iniciais e dividindo-os novamente em rótulos mais refinados a cada iteração.
Em testes com vários conjuntos de dados de classificação de imagens populares, a abordagem quase sempre levou a um modelo final de aprendizado de máquina que superava o de um treinado pelo método convencional. Na melhor das hipóteses, aumentou a precisão da classificação em até 7%.
Fonte: Technologyreview
.
