Tek Çekim Öğrenimi

Tek Çekim Öğrenimi (OSL), bir modelin yalnızca tek bir örnekten yeni bir nesne sınıfını tanımak üzere eğitildiği makine öğrenimi (ML) içindeki bir sınıflandırma görevidir. Büyük miktarda eğitim verisi gerektiren geleneksel derin öğrenme modellerinin aksine, OSL, bir örnekten yeni bir kavram hakkında bilgi edinme konusundaki insan yeteneğini taklit etmeyi amaçlar. Bu, veri toplamanın pahalı, zor veya imkansız olduğu senaryolarda özellikle değerlidir. Temel fikir, nesneleri doğrudan sınıflandırmayı öğrenmek değil, iki görüntünün aynı sınıfa ait olup olmadığını belirleyebilen bir benzerlik fonksiyonu öğrenmektir.

Tek Çekim Öğrenimi Nasıl Çalışır

Belirli sınıfları tanımlamak için bir model eğitmek yerine, OSL modelleri tipik olarak farklı bir görev üzerinde eğitilir: iki girdi görüntüsünün aynı mı yoksa farklı mı olduğunu belirlemek. Bunun için kullanılan yaygın bir mimari, aynı ağırlıkları paylaşan iki özdeş sinir ağından oluşan Siamese Network'tür. Her ağ, görüntünün kompakt bir sayısal gösterimi olan bir gömme (embedding) oluşturmak için iki girdi görüntüsünden birini işler.

Model daha sonra bir benzerlik puanı hesaplamak için bu iki gömme işlemini karşılaştırır. Model eğitimi sırasında, ağ aynı sınıftaki görüntüler için benzer gömmeler ve farklı sınıflardaki görüntüler için farklı gömmeler üretmeyi öğrenir. Eğitildikten sonra, model her bilinen sınıftan tek bir "çekim" veya örnekle karşılaştırarak yeni bir görüntüyü sınıflandırabilir. Yeni görüntü, en yüksek benzerlik puanına sahip sınıfa atanır. Bu yaklaşım, sağlam temsiller oluşturmak için iyi özellik çıkarımına büyük ölçüde dayanır.

Diğer Öğrenme Paradigmalarıyla İlişkisi

OSL, düşük veri senaryoları için tasarlanmış daha geniş bir öğrenme yöntemleri ailesinin bir parçasıdır:

• Az Veriyle Öğrenme (Few-Shot Learning - FSL): Modelin sınıf başına yalnızca bir yerine az sayıda örnekten (örneğin, 2 ila 5) öğrendiği OSL'nin bir genellemesidir. FSL, OSL'den daha fazla bilgi sağlar ve genellikle daha iyi performansa yol açar.
• Sıfır Atışlı Öğrenme (ZSL): Modelin eğitim sırasında hiç görmediği sınıfları tanıması gereken, tipik olarak görsel özellikler ve üst düzey anlamsal açıklamalar arasında bir eşleme öğrenerek daha zorlu bir paradigmadır.
• Meta-Öğrenme: Genellikle "öğrenmeyi öğrenme" olarak adlandırılan bu yaklaşım, yeni görevleri daha verimli bir şekilde çözmesini sağlamak için bir modeli çok çeşitli öğrenme görevleri üzerinde eğitir. Birçok OSL ve FSL tekniği, UC Berkeley'nin BAIR gibi kurumlardan gelen araştırmalarda açıklandığı gibi meta-öğrenme prensiplerine dayanmaktadır.
• Transfer Öğrenimi: Bu, büyük bir veri kümesi üzerinde önceden eğitilmiş bir modelin (örneğin ImageNet) daha sonra daha küçük, belirli bir veri kümesi üzerinde ince ayar yapılmasını içerir. İlişkili olmasına rağmen, OSL kapsamlı bir ince ayar olmaksızın tek bir örnekten öğrenmeye odaklanır.

Gerçek Dünya Uygulamaları

Tek Çekim Öğrenimi, verilerin kıt olduğu durumlarda oldukça etkilidir.

1. Yüz Tanıma: Güvenlik sistemleri, yalnızca bir fotoğraf gösterildikten sonra bir kişiyi tanımlamak için OSL'yi kullanabilir. Sistem, benzersiz bir yüz imzası (gömme) oluşturmayı öğrenir ve daha sonra bu kişiyi farklı açılardan ve çeşitli aydınlatma koşullarında tanıyabilir. Bu, akıllı telefonların kilidini açmaktan güvenli bina erişimine kadar çeşitli uygulamalarda kullanılır. Facebook AI tarafından hazırlanan DeepFace adlı erken dönem etkili bir makale, bu görev için derin ağların gücünü göstermiştir.
2. İlaç Keşfi: Farmakolojide, etkili ilaçlar olabilecek yeni molekülleri belirlemek maliyetli bir süreçtir. OSL, istenen özelliklere sahip tek bir bilinen örneğe dayanarak yeni bir molekülün özelliklerini tahmin eden modeller oluşturmak için kullanılabilir. Bu, ilaç geliştirme için grafik tabanlı derin öğrenme üzerine yapılan araştırmalarda tartışıldığı gibi, tarama sürecini hızlandırır.

Zorluklar ve Gelecek Yönelimler

OSL'deki temel zorluk genellemedir. Bir model, belirli özelliklerine aşırı uyum sağlamadan, tek bir örnekten bir sınıfın temel özünü öğrenmelidir. Bu nedenle, tek örneğin kalitesi kritik öneme sahiptir. Papers with Code'da vurgulanan çalışmalar gibi devam eden araştırmalar, daha sağlam özellik temsilleri ve gelişmiş meta-öğrenme stratejileri geliştirmeye odaklanmaktadır. OSL yeteneklerini Ultralytics HUB gibi genel amaçlı görme platformlarına entegre etmek, bunların veri sınırlı ortamlardaki kullanımını önemli ölçüde genişletebilir. Modeller daha güçlü hale geldikçe, bu zorlu koşullar altında uygun performans metrikleriyle değerlendirilmesi de önemli bir çalışma alanıdır.