Pemelajaran semiterbimbing

Sebuah paradigma pemelajaran mesinTemplat:SHORTDESC:Sebuah paradigma pemelajaran mesin

Pembelajaran mesin dan penggalian data
Bagian dari seri

Paradigma Pembelajaran terbimbing Pembelajaran tak terbimbing Pembelajaran mesin daring Pembelajaran mesin luring Meta-learning Pembelajaran semiterbimbing Pembelajaran swabimbing Pembelajaran pengukuhan Pembelajaran berbasis aturan Pembelajaran mesin kuantum
Masalah Klasifikasi Model generatif Regresi Kluster Reduksi dimensi Estimasi densitas Deteksi anomali Pembersihan data AutoML Aturan asosiasi Analisis semantik Rekayasa fitur Pembelajaran fitur
Pembelajaran terbimbing (Klasifikasi •Regresi) Pohon keputusan Pembelajaran ensambel Bagging boosting Random forest k-NN Regresi linear Naive Bayes Jaringan saraf tiruan Regresi logistik Perseptron Support vector machine (SVM)
Kekelompokkan BIRCH CURE Hierarki k-means Fuzi
Reduksi dimensi AKU
Jaringan saraf tiruan Pembelajaran dalam Jaringan saraf konvolusional
Diagnostik model Kurva belajar
l b s

Pemelajaran semiterbimbing atau pemelajaran semiterawasi (bahasa Inggris: semi-supervised learning) adalah sebuah paradigma dalam pemelajaran mesin yang menjadi lebih relevan dan signifikan dengan munculnya model bahasa besar (LLM), terutama karena LLM membutuhkan jumlah data yang besar untuk melatihnya. Paradigma ini ditandai dengan penggunaan kombinasi antara sejumlah kecil data yang dilabeli manual dan sejumlah besar data tanpa label (digunakan secara eksklusif dalam pemelajaran tak terawasi). Dengan kata lain, nilai keluaran yang diinginkan hanya diberikan untuk sebagian kecil data pelatihan, sedangkan data yang tersisa tidak berlabel atau berlabel tanpa presisi. Secara intuitif, konsep ini dapat diibaratkan sebagai ujian. Dengan data yang berlabel, seperti soal contoh yang dikerjakan oleh guru sebagai bantuan dalam menyelesaikan rangkaian masalah lainnya. Dalam konteks transduktif, masalah yang belum terselesaikan ini berperan sebagai pertanyaan dalam ujian. Dalam konteks induktif, masalah ini menjadi latihan sejenis yang akan muncul dalam ujian. Secara teknis, masalah ini dapat dilihat sebagai klasterisasi dan kemudian memberi label pada klaster dengan data yang berlabel, mendorong batas keputusan menjauh dari wilayah berkepadatan tinggi, atau mempelajari manifold satu dimensi yang mendasari di mana data berada.

Masalah

Pengadaan data berlabel untuk sebuah tugas pemelajaran sering kali memerlukan agen manusia yang terampil (misalnya, untuk mentranskripsikan segmen audio) atau eksperimen fisik (misalnya, menentukan struktur 3D suatu protein atau menentukan apakah ada minyak di lokasi tertentu). Biaya yang terkait dengan proses pelabelan dapat membuat himpunan pelatihan yang berlabel sepenuhnya menjadi tidak mungkin dilakukan. Di sisi lain, pengadaan data tanpa label relatif lebih murah. Dalam situasi seperti itu, pemelajaran semi-terawasi dapat memiliki nilai praktis yang besar. Pemelajaran semi-terawasi juga menarik secara teoretis dalam pemelajaran mesin dan sebagai model pemelajaran manusia.

Teknik

Lihat pula: Pemelajaran aktif (pemelajaran mesin)

Secara lebih formal, pemelajaran semi-terawasi mengasumsikan sebuah himpunan l {\displaystyle l} $l$ yang independen dan terdistribusi secara identik, contohnya x 1 , … , x l ∈ X {\displaystyle x_{1},\dots ,x_{l}\in X} $x_{1},\dots ,x_{l}\in X$ dengan label y 1 , … , y l ∈ Y {\displaystyle y_{1},\dots ,y_{l}\in Y} $y_{1},\dots ,y_{l}\in Y$ , dan dengan u {\displaystyle u} $u$ contoh tanpa label x l + 1 , … , x l + u ∈ X {\displaystyle x_{l+1},\dots ,x_{l+u}\in X} $x_{l+1},\dots ,x_{l+u}\in X$ diolah. Pemelajaran semi-terawasi menggabungkan informasi ini untuk melampaui kinerja yang dapat diperoleh dari klasifikasi, baik dengan membuang data tanpa label dan melakukan pemelajaran terawasi, atau dengan membuang label dan melakukan pembelajaran tanpa terawasi.

Pemelajaran semi-terawasi dapat merujuk, baik kepada pembelajaran transduktif atau pemelajaran induktif.^[1] Tujuan dari pemelajaran transduktif adalah untuk menyimpulkan label yang benar untuk data tanpa label x l + 1 , … , x l + u {\displaystyle x_{l+1},\dots ,x_{l+u}} $x_{l+1},\dots ,x_{l+u}$ yang diberikan saja. Sedangkan tujuan dari pemelajaran induktif adalah untuk menyimpulkan pemetaan yang benar dari X {\displaystyle X} $X$ ke Y {\displaystyle Y} $Y$ .

Tidak perlu (dan menurut Prinsip vapnik, tidak bijaksana) untuk melakukan pemelajaran transduktif dengan cara menyimpulkan aturan klasifikasi di seluruh ruang input. Namun, dalam praktiknya, algoritma yang secara formal dirancang untuk transduksi atau induksi sering digunakan secara bergantian.

Lihat juga

Pemelajaran berlabel positif

Referensi

↑ Semi-Supervised Learning Literature Survey, Page 5, 2007, CiteSeerX 10.1.1.99.9681{{citation}}: Kutipan menggunakan parameter usang |citeseerx=