Տրանսդուկտիվ ուսուցում

Տրանսդուկտիվ ուսուցում (անգլ.՝ transductive learning), կիսահսկվող ուսուցում (մասնակի ուսուցում) կամ ուսուցում ուսուցչի մասնակի ներգրավմամբ, երբ կանխատեսումը ենթադրվում է միայն թեստի նմուշի նախադեպերի համար։

Ինչ է տրանսդուկտիվ ուսուցումըԽմբագրել

Transduction կամ transductive ուսուցումն օգտագործվում է վիճակագրական ուսուցման տեսության ոլորտում `վկայակոչելով որոշակի օրինակներ, որոնք տրված են որոշակի տիրույթի օրինակներից։ Այն հակադրվում է ուսուցման այլ տեսակների հետ, ինչպիսիք են ինդուկտիվ և դեդուկտիվ ուսուցումը[1]։

Տրամաբանության և վիճակագրության մեջ տրանսդուկտիվ եզրակացությունը կամ փոխարկիչ մեթոդը եզրակացություններ են դիտարկվող առանձին դեպքերի (թեստային տվյալների) վերաբերյալ, որոնք հիմնված են որոշակի թեստերի վրա (ուսուցման տվյալներ)։ Ընդհակառակը, ինդուկտիվ եզրակացությունը սովորելու հատուկ դեպքերը տանում են դեպի ընդհանուր կանոններ, որոնք այնուհետև կիրառվում են փորձարկման դեպքերի համար[2]։

Տարբերությունն ամենահետաքրքիրն է այն դեպքերում, երբ տրանսդուկտիվ մոդելի կանխատեսումները անհասանելի են որևէ ինդուկտիվ մոդելի միջոցով:Առաջանում են իրավիճակներ, երբ տարբեր փորձարկման նմուշների վրա փոխարկիչ եզրակացության արդյունքում ստացվում են փոխադարձ հակասական կանխատեսումներ[3]։

ՊատմությունԽմբագրել

Փոխակերպումը ներդրեց Վլադիմիր Վապնիկը 1990 -ականներին։ Նրա կարծիքով, փոխարկումը գերադասելի է ինդուկցիայից, քանի որ ինդուկցիան պահանջում է ավելի ընդհանուր խնդրի լուծում (գործառույթի վերականգնում) ավելի կոնկրետ խնդիր լուծելուց առաջ (արդյունքների հաշվարկ նոր դեպքերի համար)։«… հետաքրքրող խնդիրն լուծելիս մի լուծեք ավելի ընդհանրական խնդիր ՝ որպես միջանկյալ քայլ։ Փորձեք ստանալ այն պատասխանը, որն իսկապես անհրաժեշտ է, բայց ոչ ավելին »:Ավելի վաղ նմանատիպ դիտարկում էր արել Բերտրան Ռասելը.

  ... մենք կգանք այն եզրակացության, որ Սոկրատեսը մահկանացու է ՝ ավելի հստակ մոտեցմամբ, եթե մեր փաստարկը դարձնենք զուտ ինդուկտիվ, քան եթե գնանք« բոլոր մարդիկ մահկանացու են »ճանապարհով և ապա օգտագործենք դեդուկցիան[4]։  


ՊատճառներԽմբագրել

Ուսուցման ոչ ինդուկտիվ օրինակ կարողն է լինել երկուական դասակարգման դեպքը, երբ մուտքագրված տվյալները սովորաբար խմբավորված են երկու խմբի։Մասնավորապես թեստային մուտքային տվյալների մեծ փաթեթը կարող է օգնել մի քանի միատարր տարրերի որոնմանը, որոնք դիտարկվում են որպես անկախ միավոր, ապահովելով անհրաժեշտ տեղեկատվություն դասակարգման նշանների վերաբերյալ:Նույն կանխատեսումները չեն բխի մի մոդելից, որն առաջացնում է գործառույթ՝ հիմնված միայն ուսուցման դեպքերի վրա, ինչը կարող է թվալ կիսահսկվող ուսուցման օրինակ, սակայն Վապնիկի մոտիվացիան այլ էր։ Այս կատեգորիայի ալգորիթմի օրինակ է Transductive Support Vector Machine TSVM- ը:Երրորդ պատճառը, որը տանում է դեպի փոխակերպում, առաջանում է մոտարկման, մոտարկման անհրաժեշտությունից։ Եթե ճշգրիտ եզրակացությունը հաշվարկային առումով անհնար է, կարելի է փորձել համոզվել, որ պարզեցումները հարմար են կոնկրետ դեպքերի համար։

ԱլգորիթմներԽմբագրել

Փոխակերպման ալգորիթմները կարող են լայնորեն բաժանվել երկու կատեգորիայի. Նրանք, ովքեր ձգտում են դիսկրետ պիտակներ նշանակել չպիտակավորված կետերին, և նրանք, ովքեր ձգտում են հետընթաց կատարել չպիտակավորված կետերի համար։ Ալգորիթմները, որոնք ձգտում են կանխատեսել պիտակները, հակված են ստացվել ՝ կլաստերային ալգորիթմին մասնակի վերահսկողություն ավելացնելով։ Ալգորիթմների երկու դաս կարող է օգտագործվել ՝ հարթ կլաստերացում և հիերարխիկ կլաստերացում։ Վերջիններս կարող են հետագայում բաժանվել երկու կատեգորիայի ՝ նրանք, որոնք հավաքվում են բաժանման միջոցով և նրանք, որոնք խմբավորվում են ագլոմերացիայի միջոցով:Ալգորիթմները, որոնք ձգտում են կանխատեսել շարունակական պիտակներ, հակված են դառնալու ՝ մասնակի վերահսկողություն ավելացնելով բազմազան ուսուցման ալգորիթմին[5]։

ԾանոթագրություններԽմբագրել

  1. Han։ «Трансдуктивное обучение (transduction)»։ intellect.icu։ Վերցված է 2021-12-11 
  2. says Gail Christie (2020-07-16)։ «What is Viral Transduction?»։ News-Medical.net (անգլերեն)։ Վերցված է 2021-12-11 
  3. Xiao Fei, Pang Liang, Lan Yanyan, Wang Yan, Shen Huawei, Cheng Xueqi (2021-09-16)։ «Transductive Learning for Unsupervised Text Style Transfer»։ arXiv:2109.07812 [cs] 
  4. Mao Yunyao, Wang Ning, Zhou Wengang, Li Houqiang (2021-08-08)։ «Joint Inductive and Transductive Learning for Video Object Segmentation»։ arXiv:2108.03679 [cs] 
  5. Ditzler Gregory, Rosen Gail, Polikar Robi (2012-06)։ «Transductive learning algorithms for nonstationary environments»։ The 2012 International Joint Conference on Neural Networks (IJCNN): 1–8։ doi:10.1109/IJCNN.2012.6252494 

ԳրականությունԽմբագրել

ԱղբյուրներԽմբագրել

Արտաքին հղումներԽմբագրել