Pembelajaran Terstruktur Neural (NSL) adalah kerangka kerja pembelajaran mesin yang dikembangkan oleh Google yang memungkinkan pelatihan jaringan saraf menggunakan sinyal terstruktur selain input fitur standar. Kerangka kerja ini sangat berguna dalam skenario ketika data memiliki struktur bawaan yang dapat dimanfaatkan untuk meningkatkan kinerja model. Dalam konteks banyaknya gambar kucing dan anjing, NSL dapat diterapkan untuk meningkatkan proses pembelajaran dengan memasukkan hubungan antar gambar ke dalam proses pelatihan.
Salah satu cara NSL dapat diterapkan dalam skenario ini adalah melalui penggunaan regularisasi grafik. Regularisasi grafik melibatkan pembuatan grafik di mana node mewakili titik data (dalam hal ini gambar kucing dan anjing) dan tepi mewakili hubungan antara titik data. Hubungan ini dapat ditentukan berdasarkan kesamaan antar gambar, seperti gambar yang serupa secara visual dihubungkan oleh sebuah sisi pada grafik. Dengan menggabungkan struktur grafik ini ke dalam proses pelatihan, NSL mendorong model untuk mempelajari representasi yang menghormati hubungan antar gambar, sehingga menghasilkan generalisasi dan ketahanan yang lebih baik.
Saat melatih jaringan neural menggunakan NSL dengan regularisasi grafik, model tidak hanya belajar dari nilai piksel mentah gambar, tetapi juga dari hubungan yang dikodekan dalam grafik. Hal ini dapat membantu model menggeneralisasi data yang tidak terlihat dengan lebih baik, karena model belajar menangkap struktur dasar data lebih dari sekadar contoh individual. Dalam konteks gambar kucing dan anjing, hal ini dapat berarti bahwa model mempelajari fitur-fitur yang spesifik untuk setiap kelas, namun juga menangkap persamaan dan perbedaan antara kedua kelas berdasarkan hubungan dalam grafik.
Untuk menjawab pertanyaan apakah NSL dapat menghasilkan gambar baru berdasarkan gambar yang sudah ada, penting untuk dijelaskan bahwa NSL sendiri tidak menghasilkan gambar baru. Sebaliknya, NSL digunakan untuk meningkatkan proses pelatihan jaringan saraf dengan memasukkan sinyal terstruktur, seperti hubungan grafik, ke dalam proses pembelajaran. Tujuan NSL adalah untuk meningkatkan kemampuan model dalam belajar dari data yang disediakan, bukan menghasilkan titik data baru.
NSL dapat diterapkan untuk melatih jaringan saraf pada kumpulan data dengan hubungan terstruktur, seperti gambar kucing dan anjing, dengan menggabungkan regularisasi grafik untuk menangkap struktur dasar data. Hal ini dapat menghasilkan peningkatan performa dan generalisasi model dengan memanfaatkan hubungan antar titik data selain fitur mentah data.
Pertanyaan dan jawaban terbaru lainnya tentang Dasar-dasar TensorFlow EITC/AI/TFF:
- Bagaimana cara menggunakan lapisan penyematan untuk secara otomatis menetapkan sumbu yang tepat untuk plot representasi kata sebagai vektor?
- Apa tujuan pengumpulan maksimal di CNN?
- Bagaimana proses ekstraksi fitur dalam jaringan saraf konvolusional (CNN) diterapkan pada pengenalan gambar?
- Apakah fungsi pembelajaran asinkron perlu digunakan untuk model pembelajaran mesin yang berjalan di TensorFlow.js?
- Berapa parameter jumlah kata maksimum TensorFlow Keras Tokenizer API?
- Bisakah TensorFlow Keras Tokenizer API digunakan untuk menemukan kata yang paling sering digunakan?
- Apa itu TOCO?
- Apa hubungan antara jumlah epoch dalam model pembelajaran mesin dan keakuratan prediksi dari menjalankan model?
- Apakah API paket tetangga di Neural Structured Learning TensorFlow menghasilkan kumpulan data pelatihan tambahan berdasarkan data grafik alami?
- Apa yang dimaksud dengan API paket tetangga di Neural Structured Learning TensorFlow?
Lihat lebih banyak pertanyaan dan jawaban di EITC/AI/TFF TensorFlow Fundamentals