Shortcut Learning

Kestirme öğrenme, bir makine öğrenimi modelinin, eğitim verilerindeki doğru etiketle korelasyon gösteren ancak öğrenmesi gereken kavramı temsil etmeyen, kolay ve kasıtsız bir modele dayanarak bir görevi çözmesi durumunda gerçekleşir. Örneğin, bir görüntü sınıflandırıcı, hayvanların görsel özelliklerini öğrenmek yerine karlı arka planları kurtlarla ilişkilendirebilir. Korelasyon geçerli olduğu sürece kestirme yol doğru tahminler üretir, ancak arka plan, kamera, konum veya iş akışı değiştiğinde performans çökebilir.

Kestirme Öğrenme Nasıl Gerçekleşir?#

Modeller insan anlayışı için değil, tahmin performansı için optimize edilir. Basit bir ipucu etiketi tutarlı bir şekilde tahmin ederse, eğitim süreci bu ipucu değerini daha zor ama daha anlamlı özelliklere tercih edebilir. Yaygın kestirme yollar arasında arka planlar, filigranlar, görüntü kenarlıkları, sensör özellikleri, metin şablonları, kayıt cihazları ve toplama konumları yer alır.

Kestirme öğrenme genellikle veri seti yanlılığı ile başlar. Bir eğitim setindeki her kusurlu ürünün, kabul edilebilir ürünlerden daha parlak bir aydınlatma altında fotoğraflandığını varsayalım. Parlaklık, kusurla hiçbir nedensel ilişkisi olmasa bile son derece tahmin edilebilir bir özellik haline gelir. Bu durum, Google'ın sahte ve kullanılamaz korelasyonlar kılavuzunda açıklanan, korelasyonu nedensellik olarak ele alma gibi daha geniş sorunu yansıtır.

Yapay sinir ağları, sıkıştırma desenleri veya kameraya özel gürültü gibi insanların gözden kaçırabileceği ince kestirme yolları keşfetme konusunda özellikle yeteneklidir. Bu sinyaller tek bir veri seti içinde istatistiksel olarak güvenilir olabilir ve modelin geleneksel değerlendirme sırasında başarılı görünmesini sağlayabilir.

Gerçek Sistemlerde Neden Önemlidir?#

Kestirme öğrenme genellemeyi zayıflatır: eğitim dağılımının ötesindeki ilgili veriler üzerinde güvenilir bir şekilde performans gösterme yeteneği. İki somut örnek bunun sonuçlarını göstermektedir:

• Tıbbi görüntüleme: Bir teşhis modeli, şiddetli vakalar orantısız bir şekilde orada toplandığı için belirli bir tarayıcıdan veya hastaneden gelen görüntülerin bir hastalıkla ilişkili olduğunu öğrenebilir. Başka bir hastanede devreye alındığında, tarayıcı imzası kaybolur ve potansiyel olarak yanlış negatifleri veya gereksiz takip prosedürlerini artırabilir.
• Üretim denetimi: Bir kusur dedektörü, hatalı bileşenlerin kırmızı bir denetim tepsisinde görünürken kabul edilebilir bileşenlerin bir konveyörde göründüğünü öğrenebilir. Üretimde, konveyör üzerindeki gerçek kusurları kaçırabilir ve kırmızı tepsiye yerleştirilen normal ürünleri işaretleyebilir; bu da israfı artırır ve kalite sorunlarının fark edilmeden geçmesine izin verir.

Doğrulama verileri eğitim verileriyle aynı edinme sürecini paylaştığında bu hatalar gizli kalabilir. Güvenilir bir test seti, gerçek dağıtım koşullarını temsil etmeli, eğitim kopyaları içermemeli ve sağlam eğitim, doğrulama ve test bölme pratiklerini takip etmelidir.

Tespit ve İlgili Kavramlar#

Kestirme öğrenme, çeşitli makine öğrenimi hata modlarıyla ilgilidir, ancak terimler birbirinin yerine kullanılamaz:

• Aşırı öğrenme: Model, eğitime özel ayrıntılara çok yakından uyum sağlar. Kestirme öğrenme aşırı öğrenmeye neden olabilir, ancak her iki bölünme de aynı yanıltıcı korelasyonu içerdiğinde bir kestirme yol sıradan bir doğrulama setinde de çalışabilir.
• Veri sızıntısı: Gerçek çıkarım sırasında ulaşılamayan bilgiler eğitim özelliklerine girer. Sızıntı, dolaylı olarak bir tanı ortaya çıkaran hastane ataması kullanmak gibi özellikle doğrudan bir kestirme yoldur; Google'ın etiket sızıntısı örneği bu riski göstermektedir.
• Sahte korelasyon: Bu, verilerdeki güvenilmez istatistiksel ilişkiyi ifade eder. Kestirme öğrenme, modelin bu ilişkiye bağlı olduğundaki davranışını açıklar.
• Algoritmik yanlılık: Yanlılık, sistematik olarak eşit olmayan veya çarpık sonuçları ilgilendirir. Kestirme özellikler yanlılık üretebilir, ancak kestirme öğrenme demografik grupları olmayan görevleri de etkiler.

Tespit, tek bir toplu doğruluk puanından fazlasını gerektirir. Dilim tabanlı adalet değerlendirme kılavuzunu takip ederek kamera, site, hava durumu, aydınlatma ve demografik grup gibi anlamlı dilimleri değerlendirin. Karşıolgusal testler de hedef nesneyi korurken şüpheli ipuçlarını kaldırabilir veya değiştirebilir. Büyük bir tahmin değişimi, değiştirilen ipucuna bağımlılık olduğunu gösterir.

Açıklenebilir Yapay Zeka araçları, ilgisiz bölgelere odaklanmayı ortaya çıkarabilir. Seçenekler arasında görüntüler için Captum atıf algoritmaları ve yapılandırılmış veriler için permütasyon özellik önemliliği yer alır.

Kestirme Öğrenmeyi Azaltma#

Temsili veri toplama ve etiketleme ile başlayın. Birden çok siteyi, kamerayı, arka planı, mevsimi ve çalışma koşulunu yakalayın. Hedef olmadan şüpheli kestirme yolu içeren zor negatiflerin yanı sıra hedefin onsuz göründüğü pozitif örnekleri ekleyin. Ultralytics Platform veri seti araçları, ekiplerin eğitimden önce kümeleri, kopyaları, aykırı değerleri, sınıfları ve veri seti bölmelerini incelemesine yardımcı olabilir.

Hedeflenen YOLO veri artırma rengi, ölçeği, konumu ve geometriden vazgeçebilir, ancak artırma ek gerçekçi olmayan desenler oluşturmak yerine gerçek kestirme yolu bozmalıdır. Değerlendirme, kasıtlı olarak kaydırılmış meydan okuma setlerini içermeli ve ölçüm ve izleme için NIST AI RMF kılavuzu ile tutarlı olarak dağıtımdan sonra devam etmelidir.

Bu çalıştırılabilir iş akışı Ultralytics YOLO26 modelini eğitir, bunu Doğrulama modu ile değerlendirir ve görsel inceleme için bir tahmin kaydeder:

from ultralytics import YOLO

# Train a small baseline model
model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=3)

# Measure validation performance
metrics = model.val()
print(metrics.box.map)

# Inspect a prediction for suspicious visual dependencies
results = model.predict("https://ultralytics.com/images/bus.jpg")
result = results[0]
result.save(filename="shortcut_review.jpg")

Aynı iş akışı, ayrı ayrı toplanan meydan okuma setleri üzerinde tekrarlanabilir. Kontrollü değişiklikler arasında kararlı metrikler ve mantıklı tahminler, tek bir tanıdık veri dağılımından alınan yüksek bir puandan daha güçlü sağlam öğrenme kanıtı sağlar.