Semi-Supervised Learning

L'apprendimento semi-supervisionato (semi-supervised learning) è una metodologia nell'ambito dell'apprendimento automatico a metà strada tra l'apprendimento supervisionato e quello non supervisionato. Per comprenderlo meglio, esaminiamo la descrizione degli altri due metodi:

• Apprendimento supervisionato
  L'algoritmo viene addestrato su un set di dati etichettati. Questo significa che ogni esempio nel set di dati è associato a un'etichetta o un risultato. L'algoritmo impara a prevedere l'etichetta a partire dai dati di input.
• Apprendimento non supervisionato
  L'algoritmo viene addestrato su un set di dati che non ha etichette ossia non ci sono le risposte esatte nei dati di addestramento. Il suo obiettivo è scoprire pattern nascosti, schemi o strutture intrinseche nei dati.

Il semi-supervised learning si trova in mezzo a questi due estremi. Utilizza sia dati etichettati che non etichettati per l'addestramento. In genere, una piccola parte del set di dati contiene etichette, mentre una grande parte rimane non etichettata.

Esempio. Immaginiamo di avere un dataset di immagini di animali, dove solo una piccola percentuale delle immagini è etichettata (ad esempio, "gatto", "cane", "uccello"). Un algoritmo di semi-supervised learning può utilizzare queste etichette per comprendere alcune caratteristiche fondamentali di queste categorie. Successivamente, può applicare questa comprensione per classificare le immagini non etichettate, forse riconoscendo che le immagini con caratteristiche simili a quelle etichettate come "gatti" sono probabilmente anche immagini di gatti.

Quali sono i vantaggi dell'apprendimento semi-supervisionato?

• Riduzione dei costi
  Ottenere dati etichettati può essere costoso e richiede tempo, in quanto spesso richiede l'intervento umano. Il semi-supervised learning riduce la necessità di etichettatura completa, permettendo di usare set di dati più grandi a un costo inferiore.
• Migliori performance
  I dati non etichettati, quando utilizzati correttamente, possono fornire informazioni aggiuntive che migliorano la qualità dell'apprendimento del modello. Ad esempio, informazioni nascoste tra i dati, non ancora emerse all'occhio umano.
• Big data
  In molti scenari del mondo reale, si dispone di una grande quantità di dati non etichettati (big data) e di una piccola quantità di dati etichettati. Il semi-supervised learning è quindi più rappresentativo di molte situazioni reali.

Le tecniche di semi-supervised learning

Le tecniche di semi-supervised learning possono variare, ma alcune delle più comuni includono:

• Self-training
  Un classificatore supervisionato viene addestrato con un piccolo set di dati etichettati, quindi utilizzato per etichettare i dati non etichettati. Le etichette più sicure vengono poi utilizzate per riaddestrare il modello.
• Co-training
  Quando ci sono due set di caratteristiche distinti ma correlati, due classificatori possono essere addestrati separatamente su ciascuno di essi. I classificatori possono poi etichettare i dati dell'altro per migliorare il proprio apprendimento.
• Transductive Support Vector Machine (TSVM)
  È una variante delle tradizionali Support Vector Machines (SVM) che cerca di classificare sia i dati etichettati che quelli non etichettati durante la fase di addestramento.
• Grafical Models
  Questi modelli utilizzano la struttura grafica per rappresentare e utilizzare le relazioni tra i dati etichettati e quelli non etichettati.

In conclusione, il semi-supervised learning rappresenta un equilibrio efficace tra l'efficienza dell'etichettatura e la ricchezza dei dati non etichettati, sfruttando il meglio di entrambi i mondi per migliorare le prestazioni dell'apprendimento automatico in scenari reali.