Концентрация на чем-то одном может показаться хорошей стратегией, когда вы пытаетесь чему-то научиться. Но теперь исследователи из Института промышленных наук Токийского университета обнаружили, что одновременное изучение двух задач помогает модели глубокого обучения лучше выполнять обе задачи при извлечении информации об осадках из спутниковых данных.
Статья «Многозадачное обучение для одновременного извлечения пассивных микроволновых оценок осадков и классификации дождя/отсутствия дождя» была опубликована в Geophysical Research Letters.
Знание того, где идет дождь и сколько осадков выпадает по всему миру, является важной информацией в таких областях, как исследования климата, управление водными ресурсами и прогнозирование погоды. Эта информация может быть получена из данных пассивных микроволновых изображений низкоорбитальных спутников, но осадки должны быть идентифицированы и оценены по необработанным данным.
«В последнее время подходы глубокого обучения, основанные на двух сетях, дали хорошие результаты, — говорит Такуми Баннаи, ведущий автор статьи. «Однако наша цель состояла в том, чтобы применить многозадачное обучение к этой проблеме, чтобы увидеть, сможем ли мы еще больше повысить производительность».
Обычные подходы к глубокому обучению делят задачу на два этапа. Первый определяет, идет ли дождь в какой-либо области, и решается с помощью сети классификации, которая выводит такие классы, как «дождь» или «нет дождя». Второй определяет количество выпадающего дождя. Он использует регрессионную сеть, которая вместо этого выводит числовое значение.
Напротив, многозадачная обучающая сеть представляет собой единую сеть с двумя выходными узлами, один для классификации и один для регрессии. Сначала сеть была кратко обучена задаче классификации («дождь» или «нет дождя»), затем кратко обучена задаче регрессии (интенсивность дождя) и, наконец, обучена обеим задачам до сходимости.
Этот подход сравнивался с регрессионной моделью и существующими продуктами для оценки количества осадков. Были использованы данные миссии Global Precipitation Measurement, международной сети спутников, которые измеряют осадки с 2014 года. Предлагаемый метод извлекал интенсивность дождя, которая была более точной, чем нормы других подходов. «Мы считаем, что модель получила такие результаты, потому что она способна передавать или делиться знаниями между задачами», — говорит автор соответствующей статьи Хюнгджун Ким, также связанный с Корейским передовым институтом науки и технологий (KAIST). «Это указывает на то, что многозадачное обучение — хороший способ улучшить наши модели глубокого обучения, особенно когда задачи основаны на тех же физических механизмах, что и в этом случае».
В будущем исследователи планируют расширить модель, чтобы рассмотреть еще больше задач, таких как классификация типов дождя. Еще одна захватывающая возможность — использовать многозадачное обучение, чтобы объединить предварительные знания об облачной микрофизике. На данный момент новую структуру можно использовать для улучшения текущих оценок осадков по спутниковым данным.
