Glosario

Aprendizaje único

Descubre el poder del Aprendizaje Instantáneo, una revolucionaria técnica de IA que permite a los modelos generalizar a partir de datos mínimos para aplicaciones del mundo real.

Entrena los modelos YOLO simplemente
con Ultralytics HUB

Saber más

El Aprendizaje en Una Sola Sesión (ASO) es un área especializada dentro del aprendizaje automático (AM) en la que el objetivo es clasificar nuevos ejemplos basándose en una sola instancia de entrenamiento para cada clase. Esto contrasta fuertemente con los métodos tradicionales de aprendizaje supervisado, que a menudo requieren miles de ejemplos etiquetados por clase para lograr una alta precisión. El OSL es especialmente relevante en escenarios en los que los datos de entrenamiento son escasos, caros o lleva mucho tiempo recopilarlos, lo que lo convierte en una técnica crucial para las aplicaciones del mundo real en las que las limitaciones de datos son habituales.

Cómo funciona el aprendizaje de una sola vez

En lugar de aprender a asignar directamente una entrada a una etiqueta de clase a partir de numerosos ejemplos, los modelos OSL suelen aprender una función de similitud. La idea central es determinar la similitud entre un nuevo ejemplo no visto (consulta) y el único ejemplo etiquetado disponible (soporte) para cada clase. Si el ejemplo de consulta es muy similar al ejemplo de apoyo de una clase específica, se le asigna la etiqueta de esa clase. Esto suele implicar el uso de arquitecturas de aprendizaje profundo (AD) como las Redes Siamesas, que procesan dos entradas simultáneamente para determinar su similitud. Estas redes suelen preentrenarse en grandes conjuntos de datos (como ImageNet) utilizando el aprendizaje por transferencia para aprender representaciones de características robustas antes de adaptarlas a la tarea OSL mediante técnicas como el aprendizaje métrico.

Conceptos clave del aprendizaje único

  • Conjunto de apoyo: Contiene el ejemplo etiquetado único proporcionado para cada clase del que el modelo necesita aprender.
  • Conjunto de consulta: Contiene los ejemplos no etiquetados que el modelo debe clasificar basándose en el conjunto de apoyo.
  • Aprendizaje de Similitudes/Métricas: El proceso de aprendizaje de una función de distancia o métrica que mide la similitud entre puntos de datos, crucial para comparar ejemplos de consulta con ejemplos de apoyo.
  • Entrenamiento episódico: Una estrategia de entrenamiento habitual en la que el modelo se entrena en muchas tareas OSL pequeñas (episodios) muestreadas de un conjunto de datos mayor para simular el escenario de una sola vez durante el entrenamiento.

Aprendizaje único frente a paradigmas relacionados

Comprender el OSL exige distinguirlo de los conceptos relacionados:

  • Aprendizaje de Pocos Tiros (FSL): El OSL se considera una variante extrema del FSL. Mientras que el OSL utiliza sólo un ejemplo por clase, el FSL utiliza un pequeño número (k > 1, normalmente 5 ó 10) de ejemplos por clase. Ambos abordan la escasez de datos, pero difieren en el número de muestras disponibles. Puedes leer más sobre estos paradigmas en nuestra entrada de blog sobre cómo entender el aprendizaje de pocos disparos, de cero disparos y de transferencia.
  • Aprendizaje Cero Disparos (ZSL): El ZSL aborda un problema aún más difícil: clasificar instancias de clases que nunca se vieron durante el entrenamiento. Esto se consigue normalmente aprovechando información auxiliar, como atributos semánticos o descripciones de texto, que conectan las clases vistas y no vistas. OSL requiere ver un ejemplo; ZSL requiere ver cero ejemplos, pero necesita un contexto semántico adicional.
  • Aprendizaje por transferencia y ajuste fino: Aunque el OSL suele utilizar el aprendizaje por transferencia (preentrenamiento en un gran conjunto de datos), el objetivo es diferente. El aprendizaje por transferencia estándar o el ajuste fino suelen suponer que se dispone de una cantidad razonable de datos de destino para la adaptación, mientras que el OSL se ocupa específicamente de la restricción de un solo ejemplo. Las técnicas como el entrenamiento personalizado de los modelosYOLO Ultralytics suelen implicar el ajuste fino de los pesos preentrenados, pero normalmente con más de un ejemplo por clase.

Aplicaciones en el mundo real

La OSL permite diversas aplicaciones que antes se veían obstaculizadas por las limitaciones de los datos:

  1. Reconocimiento facial: Los sistemas de seguridad o los dispositivos personales pueden necesitar identificar o verificar a una persona después de registrarla con una sola fotografía. El NIST lleva a cabo pruebas exhaustivas sobre tecnologías de reconocimiento facial, muchas de las cuales se enfrentan a retos similares de pocos o un solo disparo.
  2. Detección de Objetos Raros: En campos como el control de calidad de la fabricación o la conservación de la vida salvaje, identificar defectos raros o especies en peligro de extinción puede que sólo sea posible con uno o muy pocos ejemplos previos. Mientras que modelos como Ultralytics YOLO11 destacan en la detección de objetos con datos suficientes, las técnicas OSL podrían aumentarlos para clases extremadamente raras.
  3. Verificación de firmas: Autenticar la firma de una persona basándose en una única firma de referencia almacenada en un archivo. La investigación explora el aprendizaje profundo para esta tarea, a menudo en regímenes de datos bajos.
  4. Descubrimiento de fármacos: Identificación de posibles nuevos candidatos a fármacos o predicción de las propiedades de las moléculas a partir de resultados experimentales muy limitados, acelerando el proceso de investigación. Los estudios muestran la aplicación de la OSL en la predicción de las interacciones fármaco-objetivo.

Retos y orientaciones futuras

El principal reto en OSL es la generalización: ¿cómo puede un modelo aprender de forma fiable la esencia de una clase a partir de un solo ejemplo sin sobreajustarse? La elección y la calidad del único ejemplo de apoyo adquieren una importancia crítica. La investigación en curso se centra en el desarrollo de representaciones de características más sólidas, mejores métricas de similitud y el aprovechamiento de técnicas como el metaaprendizaje ("aprender a aprender") para mejorar el rendimiento de la OSL. La integración de las capacidades OSL en modelos de visión de uso general y en plataformas como Ultralytics HUB podría ampliar significativamente su aplicabilidad en entornos con datos limitados. La evaluación de los modelos OSL requiere una cuidadosa consideración de las métricas de rendimiento en estas difíciles condiciones.

Leer todo