麗臺AI專家好文推薦

在訓練AI模型時最需要的就是充足且乾淨的數據，在現有的數據下如何將效益最大化則是一大難題

該篇文章則點出了四種方式，主要就是想跳脫原本的基本訓練流程思維，進而使模型達到更高且更好的預測效果。

在一般情境下通常都會遭遇數據量不足的問題，所以這篇文章非常值得大家參考。

原文網址

https://buzzorange.com/techorange/2021/04/19/ai-few-shot-learning/

摘要

對於許多企業、團隊而言，在 AI 專案剛起步時，常認為無法蒐集大量數據將是一大致命傷，然而近年在 ML 社群中出現一個新概念： Few shot learning，譯為「小樣本學習」或「小數據學習」，讓團隊透過現有的小量數據進行 AI 模型的訓練，連 AI 大神吳恩達也曾提及，小數據將成為 AI 下一步趨勢。

本篇文章重點摘錄台灣人工智慧學校工程師黃書璵，針對小樣本學習進行使用情境介紹，以及小樣本學習的 4 個實作方法與目標設定解析。

小數據學習，如何著手開始？

第一個方式很像數據的無性繁殖，也就是拿既有的少量數據，去生成更多不同特徵的數據。可以訓練一個 GAN 生成對抗網絡模型去做數據擴增，也可以訓練相似數據的合成。

第二個方式，在不改變數據情況下，可以嘗試改變模型的學習目標。例如，把舊模型的部分數據放到新模型內，讓新模型去學習怎麼比較出答案。

第三個方式，訓練一個新模型做多工學習，利用不同任務（task）之間的共同性，增加模型的適用範圍。例如模型學會中文語法後，可以應用在日本語法上面，但套用不同的字彙。

第四個方式，建構式的模型學習。先讓模型分別學習不同部分的特徵，最後再合併起來，學習如何整合判斷。