Новый метод машинного обучения UASPL повышает надежность и интерпретируемость самоуправляемого обучения
Исследователи из Лаборатории искусственного интеллекта представили новый метод обучения нейросетей — UASPL (Uncertainty-Aware Self-Paced Learning). Разработка основана на эвиденциальных нейронных сетях и субъективной логике, что позволяет учитывать надежность прогнозов на этапе выбора обучающих примеров.
Традиционное самоуправляемое обучение (SPL) имитирует человеческое обучение, переходя от простых примеров к сложным на основе значения функции потерь. Однако, как отмечают авторы, примеры с малыми потерями не всегда являются простыми — их прогноз может быть ошибочным. UASPL решает эту проблему, интегрируя оценку неопределенности в процесс отбора.
В основе метода лежит обобщенная функция потерь, которая учитывает как достоверность предсказаний, так и предпочтения при выборе примеров. Это делает процесс обучения более интерпретируемым: можно понять, почему модель выбирает те или иные данные для обучения.
Эксперименты на нескольких наборах данных показали, что UASPL превосходит другие варианты SPL по точности классификации, обобщающей способности и интерпретируемости. Исходный код метода опубликован в открытом доступе на GitHub.
Разработка может найти применение в задачах, где критичны надежность и объяснимость решений — например, в медицинской диагностике, автономном вождении и системах обработки естественного языка. Учет неопределенности позволяет избежать переобучения на шумных данных и повысить устойчивость модели.
