Aprendizaje único

One-Shot Learning (OSL) es una tarea de clasificación dentro del aprendizaje automático (ML) en la que se entrena un modelo para reconocer una nueva clase de objeto a partir de un único ejemplo. A diferencia de los modelos tradicionales de aprendizaje profundo, que requieren grandes cantidades de datos de entrenamiento, el OSL pretende imitar la capacidad humana de aprender sobre un nuevo concepto a partir de un único ejemplo. Esto lo hace especialmente valioso en situaciones en las que la recopilación de datos es cara, difícil o imposible. La idea central no es aprender a clasificar objetos directamente, sino aprender una función de similitud que pueda determinar si dos imágenes pertenecen a la misma clase.

Cómo funciona el aprendizaje de una sola vez

En lugar de entrenar un modelo para identificar clases específicas, los modelos OSL suelen entrenarse para una tarea diferente: determinar si dos imágenes de entrada son iguales o diferentes. Una arquitectura común utilizada para ello es la red siamesa, que consiste en dos redes neuronales idénticas que comparten los mismos pesos. Cada red procesa una de las dos imágenes de entrada para crear una incrustación, es decir, unarepresentación numérica compacta de la imagen.

A continuación, el modelo compara estas dos incrustaciones para calcular una puntuación de similitud. Durante el entrenamiento del modelo, la red aprende a producir incrustaciones similares para imágenes de la misma clase e incrustaciones disímiles para imágenes de clases diferentes. Una vez entrenado, el modelo puede clasificar una nueva imagen comparándola con la única "toma" o ejemplo de cada clase conocida. La nueva imagen se asigna a la clase con la puntuación de similitud más alta. Este método se basa en gran medida en una buena extracción de características para construir representaciones sólidas.

Relación con otros paradigmas de aprendizaje

OSL forma parte de una familia más amplia de métodos de aprendizaje diseñados para escenarios con pocos datos:

• Aprendizaje con Pocos Tiros (FSL): Una generalización del OSL en la que el modelo aprende de un pequeño número de ejemplos (por ejemplo, de 2 a 5) por clase, en lugar de sólo uno. El FSL proporciona más información que el OSL, lo que suele mejorar el rendimiento.
• Zero-Shot Learning (ZSL): Un paradigma más difícil en el que el modelo debe reconocer clases que nunca ha visto durante el entrenamiento, normalmente mediante el aprendizaje de una correspondencia entre características visuales y descripciones semánticas de alto nivel.
• Metaaprendizaje: A menudo llamado "aprender a aprender", este enfoque entrena un modelo en una amplia variedad de tareas de aprendizaje para permitirle resolver nuevas tareas con mayor eficacia. Muchas técnicas OSL y FSL se basan en principios de metaaprendizaje, tal y como describen investigaciones de instituciones como el BAIR de la UC Berkeley.
• Transferencia de aprendizaje: Consiste en utilizar un modelo preentrenado en un gran conjunto de datos (como ImageNet) y luego perfeccionarlo en un conjunto de datos más pequeño y específico. Aunque está relacionado, el OSL se centra en el aprendizaje a partir de un único ejemplo sin un ajuste exhaustivo.

Aplicaciones reales

El aprendizaje único es muy eficaz en situaciones de escasez de datos.

1. Reconocimiento facial: Los sistemas de seguridad pueden utilizar OSL para identificar a una persona tras mostrarle una sola foto. El sistema aprende a crear una firma facial única (incrustación) y luego puede reconocer a esa persona desde distintos ángulos y en diversas condiciones de iluminación. Esto se utiliza en aplicaciones que van desde el desbloqueo de smartphones hasta el acceso seguro a edificios. DeepFace, de Facebook AI, demostró el poder de las redes profundas para esta tarea.
2. Descubrimiento de fármacos: En farmacología, identificar nuevas moléculas que puedan convertirse en fármacos eficaces es un proceso costoso. La OSL puede utilizarse para construir modelos que predigan las propiedades de una nueva molécula basándose en un único ejemplo conocido con las características deseadas. Esto acelera el proceso de cribado, como se analiza en la investigación sobre aprendizaje profundo basado en grafos para el desarrollo de fármacos.

Retos y perspectivas

El principal reto de la OSL es la generalización. Un modelo debe aprender la esencia de una clase a partir de un único ejemplo sin ajustarse en exceso a sus características específicas. Por tanto, la calidad del ejemplo único es fundamental. La investigación en curso, como el trabajo destacado en Papers with Code, se centra en el desarrollo de representaciones de características más sólidas y estrategias avanzadas de metaaprendizaje. La integración de las capacidades OSL en plataformas de visión de propósito general como Ultralytics HUB podría ampliar drásticamente su uso en entornos con datos limitados. A medida que los modelos se vuelven más potentes, su evaluación con métricas de rendimiento adecuadas en estas duras condiciones es también un área clave de estudio.