Waarom is dit belangrijk?
Onderzoekers kunnen modellen trainen voor taken waarbij het moeilijk en duur is om elk voorbeeld door een specialist te laten controleren. In de zorg helpt dat bij het afbakenen van structuren op medische scans, waar alleen deskundigen betrouwbare aantekeningen kunnen maken. In de praktijk krijgen artsen en patiënten steun bij het beoordelen van scans, maar fouten blijven mogelijk zolang betrouwbare aantekeningen schaars zijn.
Zo werkt het in de praktijk
In de industrie wordt semi-gesuperviseerd leren toegepast bij voorspellend onderhoud. Machinestoringen komen weinig voor, waardoor er weinig betrouwbare storingslabels zijn. Modellen trainen dan met onvolledige labels, vuistregels van experts en deels gelabelde meetgegevens.
Onderzoekers toetsen wanneer ongelabelde data de indeling verbetert. Zij gaan uit van nabije punten met hetzelfde label, van clusters en van een eenvoudiger structuur. Daarnaast bekijkt onderzoek hoe mensen begrippen leren uit weinig uitleg en veel onbenoemde voorbeelden.
De aanpak hoort bij self-training en co-training. Bij self-training leert een model eerst van gelabelde voorbeelden en labelt daarna alleen ongelabelde voorbeelden waar het zeker van is. Bij co-training wisselen twee modellen die labels uit, elk met een eigen set kenmerken.




