快捷搜索:  as  test  1...,,,,)

阿里、浙大联合推出迁移学习模型「DEPARA」入选

【TechWeb】近日,浙江大年夜学与阿里安然的钻研员联合编写的论文《DEPARA: Deep Attribution Graph for Deep Knowledge Transferability》收录至CVPR 2020 Oral。此中先容了一种经由过程迁移进修法,高效打造AI深度模型、应对海量利用处景的 “AI练习师助手”。

旨在让AI练习模型面对新场景时不用从头进修,而是在已有模型长进行迁移,从而迅速得到相同能力的AI模型,进而缩短模型练习周期,以致是从一个月缩短为一天。

据阿里安然图灵实验室高档算法专家析策先容,例如在内容审核领域,不合场景的AI模型必要从新练习,以确保识别准确率而就义掉落了光阴资源。这些预练习的深度模型已耗损了大年夜量练习光阴以及大年夜规模高质量的标注数据等昂贵的谋略资本。

DEPARA沿着这条思路,以提升预练习的模型的应用程度,削减针对新场景的模型练习对光阴以及数据的依附。今朝实现这一目标最盛行的措施是迁移进修。

浙江大年夜学和阿里安然发明,两个预练习深度模型所提取的特性之间的迁移能力可由它们对应的深度归因图谱之间的相似性来衡量。相似程度越高,从不合的预练习深度模型中得到的特性相关性就越大年夜,特性的互相迁移能力也就越强。而且,“AI练习师助手”还知道从什么模型迁移常识,用模型的哪个部分迁移能最好地完成义务。也便是说,他们发清楚明了让小白模型向AI深度模型进修的高效进修措施。

“在这种措施的指示下,单个AI模型的临盆周期从1个月降到1天,我们就能更快地发明不合的内容风险。”析策讨论到。

您可能还会对下面的文章感兴趣: