ИСТИНА

Размеры современных глубоких искусственных сетей и объемы данных, необходимые для их обучения, препятствуют использованию простых стратегий обучения, которые подразумевают обучение с нуля для каждой новой задачи. Благодаря этому трансферное обучение становится очень актуальным. В докладе обсуждаются результаты экспериментального исследования эффективности метода Adversarial Discriminative Domain Adaptation (ADDA) в зависимости от объемов немаркированных данных для нескольких задач распознавания изображений. Приводится оценка эффективности метода ADDA в ансамбле с тонкой настройкой, количеством помеченных данных. Точная настройка после передачи увеличивает точность классификации на 3–8% в зависимости от объема используемых помеченных данных. Чтобы повысить эффективность ансамбля при переносе обучения и точной настройки на основе особенно малых объемов помеченных данных (менее 1% от классического набора данных для обучения), необходима разработка алгоритмов, извлекающих предметно-ориентированные знания из помеченных данных и интегрирующих их в алгоритмы трансфертного обучения.