Waarom is dit belangrijk?
Zonder dat elk geluidsfragment eerst met de hand wordt benoemd, kunnen systemen toch patronen leren die wijzen op gezondheid of ziekte. In de zorg gebruiken onderzoekers het om geluiden zoals hoesten en ademhaling te groeperen voor diagnose en het volgen van gezondheid. Voor zorgverleners levert dat extra informatie op bij een medische beoordeling, maar tussen verschillende ziekenhuizen kunnen de uitkomsten minder stabiel zijn.
Zo werkt het in de praktijk
In de ict-sector gebruikt het bedrijf Google Research contrastief leren in het model SimCLR. Het systeem traint beeldmodellen op foto's zonder klasse-etiketten en gebruikt die daarna voor beeldclassificatie. In aanbevelingssystemen zetten onderzoekers dezelfde aanpak in om schaarse klikreeksen van gebruikers en items te ordenen.
Onderzoekers van Google Research testen welke beeldbewerkingen contrastief leren sterker maken. Daarbij telt de combinatie van bijsnijden en kleurverandering duidelijk zwaarder dan een losse bewerking. Aan de City University of Hong Kong laten onderzoekers ook zien welke beelddelen en woorden het model CLIP met elkaar verbindt.




