Verilənlərin artırılması

Verilənlərin artırılması — maşın öyrənməsi və süni intellekt sahəsində modelin öyrənmə qabiliyyətini artırmaq və ümumiləşdirmə (Şablon:Dil-en) bacarığını yüksəltmək üçün mövcud məlumat dəstində süni şəkildə yeni nümunələr yaratmaq prosesi. Bu üsul xüsusilə kompüter görünüşü, təbii dilin emalı və səs tanınması kimi sahələrdə geniş istifadə olunur.

Tipik yanaşmalara təsadüfi fırlatma, kəsmə, ölçü dəyişmə, rəng dəyişiklikləri və səs-küy əlavə edilməsi daxildir. Təbii dil emalında isə sinonim əvəzlənməsi, cümlə strukturlarının dəyişdirilməsi və ya generativ modellərlə yeni mətnlər yaradılması istifadə olunur. Verilənlərin artırılması həmçinin dərin öyrənmə modellərinin həddən artıq öyrənməsinin (Şablon:Dil-en) qarşısını almağa, balanssız məlumat dəstlərini tarazlaşdırmağa və modelin performansını real mühitdə yüksəltməyə xidmət edir.

Siqnal emalı üçün verilənlərin artırılması

Zaman sırası (time series) üçün artırma üsulu kimi qalıq və ya blok bootstrap yanaşmalarından istifadə edilə bilər.

Bioloji siqnallar

Süni verilənlərin artırılması, xüsusən yüksək ölçülü və az nümunəli olan bioloji məlumatlar üçün maşın öyrənməsində təsnifatın (Şablon:Dil-en) keyfiyyətini yüksəltmək baxımından böyük əhəmiyyət daşıyır. Həm əlil, həm də sağlam şəxslərdə robot nəzarəti və siqnal artırılması tətbiqləri hələ də əsasən subyektə xas analizlərə əsaslanır. Parkinson xəstəliyinə aid elektromioqrafiya (EMG) siqnallarının toplanması çətin olduğundan məlumat azlığı xüsusi ilə nəzərə çarpır. Zanini və həmkarları generativ adversarial şəbəkə (xüsusilə DCGAN) istifadə etməklə üslub ötürməsi (Şablon:Dil-en) apararaq Parkinson xəstəliyinə məxsus sintetik EMG siqnallarının yaradılmasının mümkün olduğunu göstərmişdir.

Bu yanaşmalar elektroensefaloqrafiya (EEQ, beyin dalğaları) üçün də mühüm əhəmiyyət kəsb edir. Vanq və digərləri dərin konvolyusion neyron şəbəkələrdən istifadə edərək EEQ-əsaslı emosiyanın tanınması mövzusunu araşdırmış və məlumat artırılması tətbiq edildikdə nəticələrin yaxşılaşdığını göstərmişdir.

Tez-tez istifadə olunan üsullardan biri real məlumatın komponentlərini yenidən tərtib etməklə sintetik siqnallar yaratmaqdır. Lotte “Analogiyaya əsaslanan süni sınaq yaradılması” adlı metod təklif etmişdir. Bu yanaşmada üç nümunə ($x_1,x_2,x_3$ ) əsasında $x_3$ what $x_2$ nisbəti qədər çevrilmə tətbiq olunur və nəticədə $x_{synthetic}$ adlı yeni siqnal formalaşır. Bu üsul Linear Discriminant Analysis klassifikatorunun üç müxtəlif verilənlər toplusu üzərində nəticələrini yaxşılaşdırmışdır.

Son araşdırmalar göstərir ki, nisbətən sadə texnikalar belə böyük təsir göstərə bilir. Məsələn, Frir toplanmış verilənlərə səs-küy əlavə etməklə yeni nümunələr yaratmağın, əvvəlcə zəif nəticə göstərən bir neçə modelin öyrənmə qabiliyyətini yüksəltdiyini qeyd etmişdir. Tsinqanos və digərləri böyüklük deformasiyası (Şablon:Dil-en), dalğacıq parçalanması (Şablon:Dil-en) və sintetik səthi EMG modelləri (generativ yanaşmalar) kimi üsulları əl jestlərinin tanınması üçün araşdırmış və artırılmış məlumatların öyrədilmə mərhələsinə əlavə edilməsi nəticəsində təsnifat göstəricilərinin 16%-dək yaxşılaşdığını bildirmişdir. Daha sonrakı tədqiqatlar generativ modellərin süni məlumat yaratmaq və həmin məlumatı öyrənmə prosesinə daxil etmək imkanlarına yönəlmişdir. 2018-ci ildə Luo və digərləri Şərti Vasserşteyn Generativ Adversarial Şəbəkələrindən (Şablon:Dil-en) istifadə edərək EEQ siqnal məlumatı yaratmış və klassik train-test çərçivəsində təlim dəstinə əlavə etmiş, nəticədə təsnifat göstəricilərinin yaxşılaşdığını müşahidə etmişdir.

Mexaniki siqnallar

Verilənlərin artırılması əsasında mexaniki siqnalların proqnozlaşdırılması yeni texnoloji innovasiyalar – enerji paylanmasının optimallaşdırılması, 5G rabitə sahəsi və robot nəzarət mühəndisliyi kimi istiqamətlər üçün yeni imkanlar açır. 2022-ci ildə Yang və həmkarları məkan-zaman verilənlərinin korrelyasiyası ilə məlumat artırılması və məlumatın azaldılması (Şablon:Dil-en) yanaşmalarını birləşdirən, məhdudiyyətlər, optimallaşdırma və idarəetməni dərin şəbəkə çərçivəsinə inteqrasiya edən metod təklif etmişdir. Bu yanaşma real sənaye layihələrində dərin öyrənmənin interpretasiyasını, təhlükəsizliyini və idarəolunmasını artırmaq üçün açıq riyazi proqramlaşdırma tənlikləri və analitik həllərdən istifadə edir.