Достижения в области технологий Интернета вещей (IoT) позволили нам легко и постоянно получать большие объемы разнообразных данных. Технология искусственного интеллекта привлекает внимание как инструмент для использования этих больших данных.

Традиционное машинное обучение в основном имеет дело с проблемами классификации с одной меткой , в которых данные и соответствующие явления или объекты (информация метки) находятся во взаимно однозначном отношении. Однако в реальном мире данные и информация о метках редко имеют однозначную связь.

Поэтому в последние годы внимание было сосредоточено на проблеме классификации с несколькими метками, которая имеет дело с данными, которые имеют отношение «один ко многим» между данными и информацией метки. Например, одна пейзажная фотография может содержать несколько меток для таких элементов, как небо, горы и облака. Кроме того, чтобы эффективно учиться на больших данных, которые постоянно поступают, также требуется способность учиться с течением времени, не разрушая то, что было изучено ранее.

Исследовательская группа под руководством доцента Наоки Масуямы и профессора Юсуке Нодзимы из Высшей школы информатики Осакского столичного университета разработала новый метод, который сочетает в себе эффективность классификации данных с несколькими метками и возможность непрерывного обучения на основе данных. Численные эксперименты на реальных наборах данных с несколькими метками показали, что предлагаемый метод превосходит традиционные методы.

Простота этого нового алгоритма позволяет легко разработать усовершенствованную версию, которую можно интегрировать с другими алгоритмами. Поскольку базовый метод кластеризации группирует данные на основе сходства между записями данных, ожидается, что он станет полезным инструментом для непрерывной предварительной обработки больших данных.

Кроме того, информация о метках, присвоенных каждому кластеру, постоянно изучается с использованием метода, основанного на байесовском подходе. Изучая данные и изучая информацию метки, соответствующую данным, отдельно и постоянно, достигается как высокая производительность классификации , так и возможность непрерывного обучения.

«Мы считаем, что наш метод способен постоянно учиться на данных с несколькими метками и обладает возможностями, необходимыми для искусственного интеллекта в будущем обществе больших данных », — заключил профессор Масуяма.

Результаты исследования были опубликованы в журнале IEEE Transactions on Pattern Analysis and Machine Intelligence 19 декабря 2022 года.