Tek Seferlik Öğrenme

Tek Atışta Öğrenme (OSL), makine öğrenimi (ML) içinde bir modelin yeni bir nesne sınıfını tek bir örnekten tanımak üzere eğitildiği bir sınıflandırma görevidir. Çok miktarda eğitim verisi gerektiren geleneksel derin öğrenme modellerinin aksine OSL, insanın tek bir örnekten yeni bir kavram öğrenme yeteneğini taklit etmeyi amaçlar. Bu, veri toplamanın pahalı, zor veya imkansız olduğu senaryolarda onu özellikle değerli kılar. Temel fikir, nesneleri doğrudan sınıflandırmayı öğrenmek değil, iki görüntünün aynı sınıfa ait olup olmadığını belirleyebilecek bir benzerlik işlevi öğrenmektir.

Tek Seferde Öğrenme Nasıl Çalışır?

Belirli sınıfları belirlemek için bir modeli 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 Siyam Ağı'dır. Her ağ, görüntünün kompakt bir sayısal temsili olan bir gömmeoluşturmak için iki giriş görüntüsünden birini işler.

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

Diğer Öğrenme Paradigmaları ile İlişki

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

• Az Atışlı Öğrenme (FSL): Modelin tek bir örnek yerine sınıf başına az sayıda örnekten (örn. 2 ila 5) öğrendiği OSL'nin genelleştirilmesidir. FSL, OSL'den daha fazla bilgi sağlar ve genellikle daha iyi performansa yol açar.
• Sıfır Atışla Öğrenme (ZSL): Modelin eğitim sırasında hiç görmediği sınıfları, tipik olarak görsel özellikler ve üst düzey anlamsal açıklamalar arasında bir eşleme öğrenerek tanıması gereken daha zorlu bir paradigma.
• 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'in BAIR'i gibi kurumların araştırmalarında açıklandığı gibi meta öğrenme ilkelerine dayanmaktadır.
• Transfer Öğrenimi: Bu, büyük bir veri kümesi ( ImageNet gibi) üzerinde önceden eğitilmiş bir modelin kullanılmasını ve ardından daha küçük, belirli bir veri kümesi üzerinde ince ayar yapılmasını içerir. İlgili olsa da OSL, kapsamlı ince ayar yapmadan tek bir örnekten öğrenmeye odaklanır.

Gerçek Dünya Uygulamaları

Tek Seferde Öğrenme, verilerin az olduğu durumlarda oldukça etkilidir.

1. Yüz Tanıma: Güvenlik sistemleri, sadece 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 kilidinin açılmasından güvenli bina erişimine kadar birçok uygulamada kullanılmaktadır. Facebook AI tarafından geliştirilen DeepFace adlı erken dönem etkili bir makale, bu görev için derin ağların gücünü göstermiştir.
2. İlaç Keşfi: Farmakolojide, etkili ilaçlar haline gelebilecek yeni molekülleri tanımlamak maliyetli bir süreçtir. OSL, istenen özelliklere sahip bilinen tek bir örneğe dayanarak yeni bir molekülün özelliklerini tahmin eden modeller oluşturmak için kullanılabilir. Bu, ilaç geliştirme için grafik tabanlı derin öğrenme araştırmasında tartışıldığı gibi tarama sürecini hızlandırır.

Zorluklar ve Gelecek Yönelimleri

OSL'deki ana zorluk genellemedir. Bir model, belirli özelliklerine aşırı uyum sağlamadan tek bir örnekten bir sınıfın temel özünü öğrenmelidir. Bu nedenle tek örneğin kalitesi kritik önem taşır. Papers with Code'da vurgulanan çalışmalar gibi devam eden araştırmalar, daha sağlam özellik temsilleri ve gelişmiş meta-öğrenme stratejileri geliştirmeye odaklanmaktadır. OSL yeteneklerinin Ultralytics HUB gibi genel amaçlı görme platformlarına entegre edilmesi, veri sınırlı ortamlarda kullanımlarını önemli ölçüde artırabilir. Modeller daha güçlü hale geldikçe, bu zorlu koşullar altında uygun performans ölçütleriyle değerlendirilmeleri de önemli bir çalışma alanıdır.