noun
Selbstüberwachtes Lernen ist eine Technik des maschinellen Lernens, bei der Modelle mit unmarkierten Daten trainiert werden, indem sie ihre eigenen Labels aus den Eingaben generieren. Im Gegensatz zum überwachten Lernen, das menschlich annotierte Daten erfordert, nutzen selbstüberwachte Modelle inhärente Strukturen in den Daten, um Trainingssignale zu erzeugen.
Zum Beispiel kann ein Modell lernen, fehlende Wörter in einem Satz vorherzusagen oder zerschnittene Bilder zu rekonstruieren. Dieser Ansatz ist besonders nützlich für Aufgaben wie die Sprachverarbeitung und die Bilderkennung, bei denen markierte Daten knapp oder teuer in der Beschaffung sind.
Für Entwickler reduziert selbstüberwachtes Lernen den Bedarf an manueller Markierung, senkt die Kosten und beschleunigt das Modelltraining. Allerdings erfordert es große Datensätze und ausgefeilte Algorithmen, um sicherzustellen, dass die generierten Labels sinnvoll sind. Ein reales Beispiel ist Meta’s DALL·E 2, das selbstüberwachtes Lernen nutzt, um hochwertige Bilder aus Textbeschreibungen zu generieren, wobei Ergebnisse erzielt werden, die mit menschlicher Kunst vergleichbar sind.
Ein selbstüberwachtes Modell könnte lernen, Schwarz-Weiß-Fotos zu kolorieren, indem es fehlende Farbwerte aus den umliegenden Pixeln vorhersagt.
In anderen Sprachen
Siehe auch: Supervised learning · Unsupervised learning · Transfer Learning