Il trasferimento profondo aiuta l’apprendimento automatico
Nell’età della tecnologia, l’apprendimento automatico rappresenta un interessante e molto promettente campo di ricerca che produrrà avanzamenti scientifici in molti modi: dal miglioramento delle previsioni meteorologiche alla predizione relativa alla progressione del cancro. Il progetto DEEP TRANSFER (Deep transfer: generalizing across domains), finanziato dall’UE, ha lavorato sullo sviluppo di nuovi algoritmi che apprendono dei modelli mediante l’impiego di dati al fine di migliorare l’apprendimento automatico. In genere, una sfida centrale nell’apprendimento automatico riguarda l’ottenimento di una quantità sufficiente di dati di training per essere in grado di apprendere un modello accurato. Il progetto è nato con l’obiettivo di superare questa sfida realizzando un algoritmo per considerare i dati di un’attività di origine così come i dati del problema di destinazione, durante l’apprendimento di un modello. Gli sforzi si sono concentrati sul concetto di trasferimento profondo, cioè la capacità di trasferire le conoscenze in domini molto diversi. Per raggiungere i propri obiettivi, il team del progetto ha sviluppato una struttura in grado di sfruttare un trasferimento profondo all’avanguardia. Tale struttura si basa su un modello generativo del mondo che esegue il trasferimento incoraggiando il riutilizzo delle regolarità di alto livello rilevate automaticamente (ad es. transitività, simmetria e omofilia) tra i domini. Questa è stata testata su tre insiemi di dati relativi al mondo reale, vale a dire un insieme di dati di interazione proteina-proteina relative al lievito, un dominio web sui dipartimenti di informatica e una raccolta di dati relativi a Twitter. Rispetto ad altri approcci di apprendimento mediante trasferimento e all’apprendimento da zero, l’approccio del team ha prodotto un miglioramento significativo riguardo a precisione e tempo di esecuzione. Il team ha inoltre approfondito la conoscenza in altre aree di apprendimento automatico, inclusa la valutazione empirica dei modelli appresi, l’apprendimento mediante modello probabilistico e l’apprendimento statistico relazionale. Oltre ai progressi tecnici all’avanguardia raggiunti, il progetto ha pubblicato anche il relativo codice e i dati per diversi sistemi, facilitando ulteriori ricerche sul campo. Una particolare applicazione, in cui gli algoritmi di un progetto hanno avuto successo, ha comportato l’analisi delle interazioni di malattie. Poiché l’apprendimento automatico diventa una tecnologia molto più diffusa, è associato al contributo relativo a scoperte e applicazioni scientifiche.
Parole chiave
Trasferimento profondo, apprendimento automatico, apprendimento mediante modello probabilistico, apprendimento statistico relazionale, interazioni di malattie
