একজন পারসেপট্রন ভুলে যেতে পারে?

Question

আমি একটি অনলাইন ওয়েব-ভিত্তিক মেশিন লার্নিং সিস্টেম তৈরি করতে চাই, যেখানে ব্যবহারকারীরা ক্রমাগত শ্রেণিবদ্ধ নমুনাগুলি যুক্ত করতে পারেন এবং মডেলটি অনলাইনে আপডেট করতে পারেন। আমি একটি পার্সেপট্রন বা অনুরূপ অনলাইন-লার্নিং অ্যালগরিদম ব্যবহার করতে চাই।

তবে, ব্যবহারকারীরা ভুল করতে পারে এবং অপ্রাসঙ্গিক উদাহরণগুলি .োকাতে পারে। সেক্ষেত্রে উদাহরণের পুরো সেটটিতে পার্সেপট্রনকে পুনরায় প্রশিক্ষণ না দিয়ে (যা খুব বড় হতে পারে) একটি নির্দিষ্ট উদাহরণ মুছতে অপশন থাকতে চাই।

এটা কি সম্ভব?

Comments

খুব আকর্ষণীয় ধারণা। আপনি কি এটিকে আনুষ্ঠানিক করার ক্ষেত্রে চেষ্টা করেছেন?

— Strin

আপনার পার্সেপট্রন মডেল এবং আপনার শ্রেণিবদ্ধের সুনির্দিষ্ট বিবরণ দেওয়া, আপনি যখন একটি সংশোধনযোগ্য শ্রেণিবদ্ধকরণের সাথে উদাহরণটি পুনরায় সন্নিবেশ করান তখন কী ঘটে? এটি কি ভুল অভ্যন্তরীণ-স্তরীয় নিউরনের ওজন হ্রাস করে না এবং ডান অভ্যন্তরীণ-স্তর নিউরনে ওজন বাড়িয়ে তোলে না?

— লজিক

নমুনাটি পুনরায় সন্নিবেশ করা স্পষ্টতই কিছু উপায়ে সহায়তা করতে পারে, তবে আমি নিশ্চিত নই যে পারসেপ্ট্রনের সঠিকতা এবং একীকরণের প্রমাণগুলি এক্ষেত্রে ধরে রাখবে (যেমন আমি নিশ্চিত নই যে ফলাফলগুলি ভ্রান্ত নমুনাটির সাথে একরকম হবে) প্রথম জায়গায় inোকানো হয়নি)।

— এরেল সেগাল-হালেভি

নিষ্পাপ সমাধান হিসাবে, প্রতিটি নতুন নমুনা যুক্ত হওয়ার আগে আপনি পার্সেপট্রনের ওজনের রেকর্ড রাখতে পারেন। তারপরে, আপনি যখন কোনও নমুনা মুছে ফেলতে চান, (পুনরায়) "খারাপ" উদাহরণ যুক্ত হওয়ার আগে পার্সেপট্রনের ওজনগুলি তাদের মানগুলিতে সেট করুন এবং "খারাপ" এর পরে যুক্ত সমস্ত বৈধ উদাহরণ দিয়ে পার্সেপট্রনকে পুনরায় প্রশিক্ষণ দিন। এটি কিছু পুনরায় প্রশিক্ষণের সাথে জড়িত হবে, তবে উদাহরণগুলির পুরো সেটটিতে নয়। অবশ্যই আপনাকে উদাহরণ এবং তাদের সম্পর্কিত ওজনের রেকর্ডও বজায় রাখতে হবে।

— rphv

Answer 1

আমি প্রক্রিয়াটি বুঝতে পেরেছি , পুনরায় প্রশিক্ষণ ব্যতীত কোনও পার্সেপট্রন পরিবর্তন করা অসম্ভব। ওজন সামঞ্জস্যতা কেবলমাত্র সেই নির্দিষ্ট উদাহরণের সাথে তুলনামূলক নয়, তবে অন্যান্য প্রশিক্ষণের উদাহরণগুলির সাথেও সামঞ্জস্যপূর্ণ। মডেলটির পুনরায় প্রশিক্ষণের আগে পরীক্ষাটি সেট থেকে ভুলভাবে শ্রেণিবদ্ধ উদাহরণ সনাক্ত করা এবং ওজন সংশোধন করার সবচেয়ে কার্যকর উপায় বলে মনে হচ্ছে।

আমি মনে করি এটি উল্লেখ করা মূল্যবান যে অন্যান্য মেশিন লার্নিং অ্যালগরিদমের তুলনায় পার্সেপট্রনগুলি কোলাহলে তুলনামূলকভাবে প্রতিরোধী এবং প্রশিক্ষণ সংস্থায় ভুলভাবে শ্রেণিবদ্ধ উদাহরণ রয়েছে । যদি আপনি বিপুল সংখ্যক বিভ্রান্তীকৃত দৃষ্টান্তগুলির মুখোমুখি হন, তবে পারসেপ্ট্রন প্রশিক্ষণ প্রাপ্ত হওয়ার পরে ভুল সংকলিত দৃষ্টান্তগুলি সংশোধন করার জন্য কোনও উপায় নিয়ে আসার চেয়ে প্রশিক্ষণের আগে আপনি ডেটা সন্ধান করার চেয়ে আরও ভাল বৈধতা পাওয়া বুদ্ধিমানের কাজ বলে মনে হয়। যদি এটি সম্ভব না হয় এবং আপনি ভুলভাবে শ্রেণিবদ্ধ উদাহরণগুলি সনাক্ত করতে সক্ষম হন, তবে সেগুলি সরিয়ে ফেলা এবং পুনরায় প্রশিক্ষণ করা ভুলভাবে বিভক্ত উদাহরণগুলির প্রভাব কার্যকরভাবে সরিয়ে ফেলার একমাত্র উপায় বলে মনে হয়।