Método para entrenar IA con datos de clasificación multietiqueta

Los avances en la tecnología de Internet de las cosas (IoT) han hecho posible que obtengamos de manera fácil y continua grandes cantidades de datos diversos. La tecnología de inteligencia artificial está ganando atención como una herramienta para utilizar estos grandes datos.

El aprendizaje automático convencional se ocupa principalmente de problemas de clasificación de una sola etiqueta, en los que los datos y los fenómenos u objetos correspondientes (información de la etiqueta) están en una relación de uno a uno. Sin embargo, en el mundo real, los datos y la información de las etiquetas rara vez tienen una relación de uno a uno.

En los últimos años, por lo tanto, la atención se ha centrado en el problema de clasificación de etiquetas múltiples, que se ocupa de los datos que tienen una relación de uno a muchos entre los datos y la información de la etiqueta. Por ejemplo, una sola foto de un paisaje puede incluir varias etiquetas para elementos como el cielo, las montañas y las nubes. Además, para aprender eficientemente de los grandes datos que se obtienen continuamente, también se requiere la capacidad de aprender con el tiempo sin destruir las cosas que se aprendieron previamente.

Un grupo de investigación dirigido por el profesor asociado Naoki Masuyama y el profesor Yusuke Nojima de la Escuela de Graduados en Informática de la Universidad Metropolitana de Osaka ha desarrollado un nuevo método que combina el rendimiento de la clasificación de datos con múltiples etiquetas, con la capacidad de aprender continuamente con los datos. Los experimentos numéricos en conjuntos de datos de etiquetas múltiples del mundo real mostraron que el método propuesto supera a los métodos convencionales.

La simplicidad de este nuevo algoritmo facilita el diseño de una versión evolucionada que se puede integrar con otros algoritmos. Dado que el método de agrupación en clústeres subyacente agrupa los datos en función de la similitud entre las entradas de datos, se espera que sea una herramienta útil para el preprocesamiento continuo de big data.

Además, la información de la etiqueta asignada a cada clúster se aprende continuamente, utilizando un método basado en el enfoque bayesiano. Mediante el aprendizaje de los datos y el aprendizaje de la información de la etiqueta correspondiente a los datos de forma separada y continua, se logra tanto un alto rendimiento de clasificación como una capacidad de aprendizaje continuo.

«Creemos que nuestro método es capaz de aprender continuamente a partir de datos de múltiples etiquetas y tiene las capacidades necesarias para la inteligencia artificial en una futura sociedad de grandes datos», concluyó el profesor Masuyama.

Los resultados de la investigación fueron publicados en Transacciones IEEE sobre análisis de patrones e inteligencia artificial el 19 de diciembre de 2022.

Proporcionado por la Universidad Metropolitana de Osaka