Revista de ingeniería química y tecnología de procesos
Acceso abierto

abstracto

Transferir el aprendizaje para mejorar el rendimiento de los modelos de aprendizaje profundo

Nimrita Koul

Aprender o entrenar en redes neuronales significa que estas redes aprenden los pesos óptimos de sus parámetros en múltiples iteraciones a través de datos de entrada. En cada capa sucesiva, una red neuronal profunda aprende las características cada vez más específicas de los datos de entrada. El aprendizaje de transferencia en el aprendizaje profundo se refiere a la técnica en la que, en lugar de entrenar todas las capas de una red neuronal profunda desde cero, tomamos las características aprendidas previamente por una red neuronal profunda existente para una tarea diferente pero relacionada y las transferimos a la red neuronal actual como el pesos de sus parámetros. Las redes preentrenadas en grandes conjuntos de datos, como ImageNet, capturan características universales como curvas y bordes en las primeras capas. Estas características a menudo son útiles y relevantes para la mayoría de los problemas de clasificación. En esta charla, veremos cómo el aprendizaje por transferencia nos ayuda a mejorar la precisión de las tareas de clasificación cuando tenemos un conjunto de datos muy pequeño disponible para nuestro problema en particular. Este es un enorme potencial en el área de análisis de imágenes médicas.