การเรียนรู้เชิงกระทำ (Active Learning)
การเรียนรู้เชิงกระทำเป็นรูปแบบหนึ่งของการเรียนรู้ภายใต้การดูแล (Supervised Learning) แบบวนซ้ำ ที่เหมาะสมสำหรับสถานการณ์ที่ข้อมูลเพียงพอ แต่ป้ายกำกับคลาส (Class Labels) น้อยหรือมีค่าใช้จ่ายสูงในการได้มา อัลกอริทึมการเรียนรู้เป็น "เชิงกระทำ" (Active) ที่มันสามารถสอบถามผู้ใช้ (เช่น โอร์เคิลมนุษย์) เพื่อขอป้ายกำกับอย่างรอบคอบ จำนวนทูเพิล (Tuples) ที่ใช้เรียนรู้แนวคิดด้วยวิธีนี้น้อยกว่าจำนวนที่ต้องการในการเรียนรู้ภายใต้การดูแลทั่วไป
เพื่อรักษาต้นทุนให้ต่ำ วัตถุประสงค์ของผู้เรียนรู้เชิงกระทำคือบรรลุความแม่นยำสูงโดยใช้ตัวอย่างที่มีป้ายกำกับน้อยที่สุดเท่าที่จะเป็นไปได้ ให้ D เป็นข้อมูลทั้งหมดที่พิจารณา มีหลายวิธีสำหรับการเรียนรู้เชิงกระทำบน D
สมมติว่าชุดย่อยเล็กของ D มีป้ายกำกับคลาส ชุดนี้แทนด้วย L U คือชุดข้อมูลที่ไม่มีป้ายกำกับใน D เรียกอีกอย่างว่าสระข้อมูลที่ไม่มีป้ายกำกับ (Pool of Unlabeled Data) ผู้เรียนรู้เชิงกระทำเริ่มต้นด้วย L เป็นชุดฝึกอบรมเริ่มต้น สามารถใช้บริการสอบถาม (Querying) เพื่อเลือกตัวอย่างข้อมูลหนึ่งหรือหลายตัวจาก U อย่างรอบคอบ และขอป้ายกำกับจากโอร์เคิล (เช่น ผู้ทำคำอธิบายประกอบมนุษย์) ตัวอย่างที่ได้ป้ายกำกับใหม่ถูกเพิ่มเข้า L ซึ่งผู้เรียนรู้ใช้ในวิธีการเรียนรู้ภายใต้การดูแลมาตรฐาน กระบวนการดำเนินต่อไป วัตถุประสงค์คือบรรลุความแม่นยำสูงโดยใช้ทูเพิลที่มีป้ายกำกับน้อยที่สุดเท่าที่เป็นไปได้ อัลกอริทึมการเรียนรู้เชิงกระทำมักประเมินด้วยโค้งการเรียนรู้ (Learning Curves) ซึ่งวาดกราฟความแม่นยำเป็นฟังก์ชันของจำนวนอินสแตนซ์ที่สอบถาม
กรอบงานการเลือกทูเพิลสำหรับสอบถาม
บางงานวิจัยมุ่งเน้นวิธีเลือกทูเพิลข้อมูลที่จะสอบถาม มีกรอบงานหลายอย่างเสนอมา:
- การสุ่มตัวอย่างความไม่แน่นอน (Uncertainty Sampling): ยอดนิยม โดยผู้เรียนรู้เชิงกระทำเลือกสอบถามทูเพิลที่มันน่าจะไม่แน่ใจที่สุดในการติดป้ายกำกับ
- การลดพื้นที่เวอร์ชัน (Version Space Reduction): พยายามลดพื้นที่เวอร์ชัน คือชุดย่อยของสมมติฐานทั้งหมดที่สอดคล้องกับทูเพิลฝึกอบรมที่สังเกตได้
- แนวทางทฤษฎีการตัดสินใจ (Decision-theoretic Approach): คำนวณการลดข้อผิดพลาดที่คาดหวัง เลือกทูเพิลที่ทำให้เกิดการลดลงสูงสุดในจำนวนการทำนายผิดทั้งหมด รวมถึงการลดเอนโทรปีที่คาดหวังเหนือ U วิธีนี้มีแนวโน้มที่จะมีค่าใช้จ่ายทางคอมพิวตาสูงกว่า
การเรียนรู้การถ่ายโอน (Transfer Learning)
วัตถุประสงค์ของการเรียนรู้การถ่ายโอนคือสกัดความรู้จากงานต้นทาง (Source Tasks) หนึ่งหรือหลายงาน และนำไปใช้กับงานเป้าหมาย (Target Task) วิธีการเรียนรู้แบบดั้งเดิมสร้างตัวจำแนกใหม่สำหรับแต่ละงานจัดประเภทใหม่ ขึ้นอยู่กับข้อมูลฝึกอบรมและทดสอบที่มีป้ายกำกับคลาส วิธีการเรียนรู้การถ่ายโอนใช้ความรู้เกี่ยวกับงานต้นทางเมื่อสร้างตัวจำแนกสำหรับงานใหม่ (เป้าหมาย) การพัฒนาตัวจำแนกที่ได้ต้องการข้อมูลฝึกอบรมน้อยกว่าและเวลาฝึกอบรมน้อยกว่า อัลกอริทึมการเรียนรู้แบบดั้งเดิมสมมติว่าข้อมูลฝึกอบรมและทดสอบถูกดึงจากการกระจายเดียวกันและพื้นที่ฟีเจอร์เดียวกัน ดังนั้น หากการกระจายเปลี่ยนแปลง เทคนิคเหล่านี้ต้องสร้างโมเดลใหม่จากศูนย์
