Luận văn thạc sĩ: Mô hình phân lớp với học tự giám sát cho tập dữ liệu nhỏ

Mục tiêu chính của nghiên cứu là phát triển một mô hình phân lớp có khả năng nhận diện tốt cho các đối tượng có độ tương đồng cao, bằng cách áp dụng các phương pháp học sâu và học tự giám sát. Đề tài sẽ tập trung vào việc xây dựng khối trích xuất đặc trưng nhằm phát hiện các đặc điểm chi tiết của đối tượng, đồng thời cải thiện khả năng phân loại thông qua việc loại bỏ những đặc trưng không cần thiết. Phạm vi nghiên cứu bao gồm các mô hình học sâu hiện đại và việc áp dụng chúng vào các tập dữ liệu nhỏ, từ đó đánh giá hiệu quả của các phương pháp đã đề xuất.

Mạng nơ-ron trí tuệ nhân tạo (ANN) là một trong những cấu trúc cơ bản trong học máy, mô phỏng cách thức hoạt động của nơ-ron trong não người. Mỗi nơ-ron trong mạng nhận đầu vào từ các nơ-ron khác, thực hiện tính toán và truyền tín hiệu đến các nơ-ron tiếp theo. Mạng ANN có khả năng học các hàm phức tạp và tổng quát hóa dữ liệu. Công thức tính toán của mỗi nơ-ron là: a = f(Wx + b), trong đó W là trọng số, b là bias, và f là hàm kích hoạt. Sự kết hợp của nhiều lớp nơ-ron cho phép mạng học được các đặc trưng phức tạp từ dữ liệu đầu vào.

Mạng nơ-ron tích chập (CNN) là một kiến trúc mạng nơ-ron đặc biệt, rất hiệu quả trong việc xử lý hình ảnh. CNN sử dụng các bộ lọc để phát hiện các đặc trưng như cạnh và góc từ dữ liệu hình ảnh. Cấu trúc của CNN cho phép mạng học được các đặc điểm không gian của hình ảnh, từ đó cải thiện khả năng phân loại. Việc sử dụng CNN trong nghiên cứu này sẽ giúp tối ưu hóa quá trình phân lớp các đối tượng có độ tương đồng cao, đặc biệt trong các bài toán phân loại phức tạp.

Phương pháp SERF-P được thiết kế để cải thiện khả năng tách lớp của mô hình bằng cách sử dụng các kỹ thuật học tự giám sát. Phương pháp này sử dụng các đặc trưng đã học để tạo ra các nhãn giả, từ đó giúp mô hình học được các đặc điểm chi tiết hơn của đối tượng. SERF-P đặc biệt hữu ích trong các tình huống mà tập dữ liệu huấn luyện rất nhỏ, giúp cải thiện độ chính xác của mô hình mà không cần thêm dữ liệu mới.

MealySup là một phương pháp học giám sát yếu, sử dụng nhiều hàm mất mát để tối ưu hóa quá trình học. Phương pháp này không chỉ giúp cải thiện độ chính xác của mô hình mà còn giảm thiểu độ phức tạp trong việc gán nhãn cho các đối tượng. Bằng cách áp dụng MealySup, mô hình có thể học được các đặc trưng cần thiết từ dữ liệu có sẵn mà không cần phải có một tập dữ liệu lớn, từ đó mở rộng khả năng áp dụng của mô hình trong thực tế.

Kết quả thực nghiệm cho thấy rằng phương pháp SERF-P đạt được độ chính xác cao hơn so với các phương pháp truyền thống trong việc phân loại các đối tượng có độ tương đồng cao. Đặc biệt, trong trường hợp tập dữ liệu nhỏ, SERF-P cho thấy khả năng nhận diện chi tiết vượt trội, cho phép mô hình phân loại chính xác ngay cả khi số lượng mẫu rất hạn chế. Điều này chứng tỏ rằng việc áp dụng học tự giám sát có thể mang lại lợi ích rõ rệt trong các bài toán phân loại phức tạp.

Nghiên cứu có thể được mở rộng bằng cách áp dụng các kỹ thuật học sâu mới nhất vào các bài toán phân lớp khác nhau, hoặc thử nghiệm trên các tập dữ liệu lớn hơn để đánh giá khả năng tổng quát của mô hình. Bên cạnh đó, việc kết hợp các phương pháp học bán giám sát và học không giám sát có thể giúp cải thiện hơn nữa độ chính xác và hiệu suất của mô hình trong các ứng dụng thực tế.