miniatura|469x469px|Esquema del robot que avalua la novetat de la demostració d'un xef humà i l'aprenentatge de noves receptes. "Els xefs robòtics són una tecnologia prometedora que pot aportar beneficis importants per a la salut i l'economia quan es desplega de manera ubicua. Aquest desplegament es veu obstaculitzat pel costós procés de programar els robots per cuinar plats específics mentre els humans aprenen de l'observació o de vídeos disponibles gratuïtament. En aquest article, proposem un algoritme que afegeix incrementalment receptes al llibre de cuina del robot basant-se en l'observació visual d'un xef humà, permetent un desplegament més fàcil i econòmic dels xefs robòtics. Només s'afegeix una nova recepta si l'observació actual és substancialment diferent de totes les receptes del llibre de cuina, cosa que es decideix calculant la similitud entre les vectoritzacions d'aquestes dues. L'algoritme reconeix correctament les receptes conegudes en el 93% de les demostracions i aprèn amb èxit noves receptes quan es mostren, utilitzant xarxes neuronals estàndard per a la visió per computador. Demostrem que els vídeos i les demostracions són fonts de dades viables per a la programació de xefs robòtics quan s'estenen a fonts de dades massives disponibles públicament com YouTube." En informàtica, l'aprenentatge incremental és un mètode d'aprenentatge automàtic en què les dades d'entrada s'utilitzen contínuament per ampliar el coneixement del model existent, és a dir, per entrenar-lo encara més. Representa una tècnica dinàmica d'aprenentatge supervisat i aprenentatge no supervisat que es pot aplicar quan les dades d'entrenament estan disponibles gradualment al llarg del temps o la seva mida està fora dels límits de memòria del sistema. Els algoritmes que poden facilitar l'aprenentatge incremental es coneixen com a algoritmes d'aprenentatge automàtic incremental.
Molts algoritmes tradicionals d'aprenentatge automàtic admeten inherentment l'aprenentatge incremental. Altres algoritmes es poden adaptar per facilitar l'aprenentatge incremental. Exemples d'algoritmes incrementals inclouen arbres de decisió (IDE4,Schlimmer, J. C., & Fisher, D. A case study of incremental concept induction. Fifth National Conference on Artificial Intelligence, 496-501. Philadelphia, 1986 ID5RUtgoff, P. E., Incremental induction of decision trees. Machine Learning, 4(2): 161-186, 1989 i gaenari), regles de decisió,Ferrer-Troyano, Francisco, Jesus S. Aguilar-Ruiz, and Jose C. Riquelme. Incremental rule learning based on example nearness from numerical data streams. Proceedings of the 2005 ACM symposium on Applied computing. ACM, 2005 xarxes neuronals artificials (xarxes RBF,Bruzzone, Lorenzo, and D. Fernàndez Prieto. An incremental-learning neural network for the classification of remote-sensing images. Pattern Recognition Letters: 1241-1248, 1999 Learn++,R. Polikar, L. Udpa, S. Udpa, V. Honavar. Learn++: An incremental learning algorithm for supervised neural networks. IEEE Transactions on Systems, Man, and Cybernetics. Rowan University USA, 2001. Fuzzy ARTMAP,G. Carpenter, S. Grossberg, N. Markuzon, J. Reynolds, D. Rosen. Fuzzy ARTMAP: a neural network architecture for incremental supervised learning of analog multidimensional maps. IEEE transactions on neural networks, 1992 TopoART,Marko Tscherepanow, Marco Kortkamp, and Marc Kammer. A Hierarchical ART Network for the Stable Incremental Learning of Topological Structures and Associations from Noisy Data . Neural Networks, 24(8): 906-916, 2011 i IGNGJean-Charles Lamirel, Zied Boulila, Maha Ghribi, and Pascal Cuxac. A New Incremental Growing Neural Gas Algorithm Based on Clusters Labeling Maximization: Application to Clustering of Heterogeneous Textual Data. IEA/AIE 2010: Trends in Applied Intelligent Systems, 139-148, 2010) o la SVM incremental.Diehl, Christopher P., and Gert Cauwenberghs. SVM incremental learning, adaptation and optimization . Neural Networks, 2003. Proceedings of the International Joint Conference on. Vol. 4. IEEE, 2003.
L'objectiu de l'aprenentatge incremental és que el model d'aprenentatge s'adapti a les noves dades sense oblidar els coneixements existents. Alguns aprenents incrementals tenen incorporat algun paràmetre o suposició que controla la rellevància de les dades antigues, mentre que d'altres, anomenats algoritmes d'aprenentatge automàtic incremental estables, aprenen representacions de les dades d'entrenament que ni tan sols s'obliden parcialment amb el temps. Fuzzy ARTCarpenter, G.A., Grossberg, S., & Rosen, D.B., Fuzzy ART: Fast stable learning and categorization of analog patterns by an adaptive resonance system, Neural Networks, 4(6): 759-771, 1991 i TopoARTMarko Tscherepanow, Marco Kortkamp, and Marc Kammer. A Hierarchical ART Network for the Stable Incremental Learning of Topological Structures and Associations from Noisy Data . Neural Networks, 24(8): 906-916, 2011 són dos exemples d'aquest segon enfocament.
Els algoritmes incrementals s'apliquen amb freqüència a fluxos de dades o dades massives, abordant problemes de disponibilitat de dades i escassetat de recursos, respectivament. La predicció de tendències d'accions i la creació de perfils d'usuaris són alguns exemples de fluxos de dades on les noves dades estan disponibles contínuament. L'aplicació de l'aprenentatge incremental a les big data té com a objectiu produir temps de classificació o previsió més ràpids.
Referències
Categoria:Aprenentatge automàtic