無監(jiān)督/弱監(jiān)督學(xué)習(xí)逐漸成為企業(yè)降本增效新利器
在過去的幾年中，深度學(xué)習(xí)所取得的巨大成功離不開大規(guī)模標(biāo)注的數(shù)據(jù)集。大規(guī)模標(biāo)注的背后，是傳統(tǒng)的監(jiān)督學(xué)習(xí)對于每一個訓(xùn)練樣本完備標(biāo)簽的要求。隨著業(yè)務(wù)規(guī)模的不斷擴大，越來越多的企業(yè)發(fā)現(xiàn)數(shù)據(jù)的標(biāo)注開始成為抬高交付成本、制約效果提升的主要因素之一。
在此背景下，無監(jiān)督學(xué)習(xí)和弱監(jiān)督學(xué)習(xí)通過不使用標(biāo)簽或減少對標(biāo)簽數(shù)量、質(zhì)量的要求來迅速降低深度模型對于數(shù)據(jù)的標(biāo)注需求，使得原本無法利用的數(shù)據(jù)如今都可以加入到模型的訓(xùn)練中去，進(jìn)而由量變引發(fā)質(zhì)變。在NLP領(lǐng)域，基于Transformer的無監(jiān)督訓(xùn)練模型已持續(xù)霸榜各種NLP任務(wù)數(shù)據(jù)集；在CV領(lǐng)域，*的MPL方法也通過額外的無標(biāo)注數(shù)據(jù)集*將ImageNet的Top-1分類*率提升到了90%+的水平。
可以預(yù)見的是，將有越來越多的人工智能企業(yè)會面臨從前期的迅速擴張到穩(wěn)定期高效化運作的新階段，而在這個過程中，無監(jiān)督/弱監(jiān)督學(xué)習(xí)無疑將成為他們過渡到這個階段的重要手段之一。
? ?來源高金CGFT
