মাল্টি-ফিঙ্গারড অ্যাক্টিভ গ্র্যাপ লার্নিং

এটি একটি 2020 অ্যাকাডেমিক পেপারের একটি পর্যালোচনা যা রোবোটিক্স অস্ত্র এবং হাতকে অবজেক্ট ধরতে প্রশিক্ষণ দেওয়ার জন্য শেখার সিস্টেম ব্যবহার করে।

নতুন, আংশিকভাবে পর্যবেক্ষিত বস্তুগুলিতে আরও ভালভাবে সাধারণীকরণ করার ক্ষমতার কারণে বিশ্লেষণমূলক পদ্ধতির চেয়ে পরিকল্পনা উপলব্ধি করার জন্য শেখার-ভিত্তিক পদ্ধতিগুলিকে অগ্রাধিকার দেওয়া হয়। যাইহোক, বিশেষ করে বহু আঙ্গুলের হাতের জন্য উপলব্ধি শেখার পদ্ধতির জন্য ডেটা সংগ্রহ অন্যতম বড় বাধা হয়ে দাঁড়িয়েছে। হাতের তুলনামূলকভাবে উচ্চমাত্রিক কনফিগারেশন স্থান এবং দৈনন্দিন জীবনে সাধারণ বস্তুর বৈচিত্র্যের সাথে দৃঢ় এবং আত্মবিশ্বাসী উপলব্ধি সাফল্যের শ্রেণীবিভাগ তৈরি করতে উল্লেখযোগ্য সংখ্যক নমুনার প্রয়োজন। এই গবেষণাপত্রে, গবেষকরা উপলব্ধি করার জন্য প্রথম সক্রিয় গভীর শিক্ষার পদ্ধতি উপস্থাপন করেছেন যা একীভূত পদ্ধতিতে উপলব্ধি কনফিগারেশন স্থান এবং শ্রেণীবিভাগের আত্মবিশ্বাসের উপর অনুসন্ধান করে। গবেষকরা একটি শেখা নিউরাল নেটওয়ার্ক সম্ভাবনা ফাংশন সহ সম্ভাব্য অনুমান হিসাবে বহু-আঙুলযুক্ত আঁকড়ে ধরার পরিকল্পনায় সাম্প্রতিক সাফল্যের উপর ভিত্তি করে। তারা এটিকে নমুনা নির্বাচনের বহু-সশস্ত্র দস্যু সূত্রের মধ্যে এম্বেড করে। তারা দেখায় যে তাদের সক্রিয় উপলব্ধি শেখার পদ্ধতি একটি বিশ্লেষণাত্মক পরিকল্পনাকারী দ্বারা উত্পন্ন ডেটা উপলব্ধি করার সাথে প্রশিক্ষিত প্যাসিভ তত্ত্বাবধানে শেখার পদ্ধতির সাথে তুলনীয় উপলব্ধি সাফল্যের হার তৈরি করতে কম প্রশিক্ষণের নমুনা ব্যবহার করে। 2020 সালে, গবেষকরা অতিরিক্তভাবে দেখান যে সক্রিয় শিক্ষার্থীর দ্বারা উত্পন্ন উপলব্ধিগুলির আকারে আরও বেশি গুণগত এবং পরিমাণগত বৈচিত্র্য রয়েছে।

Arxiv – মাল্টি-ফিঙ্গারড অ্যাক্টিভ গ্র্যাপ লার্নিং

শুধুমাত্র আংশিক-দর্শন অবজেক্ট তথ্যের সাথে অভিনব বস্তুতে ভালোভাবে সাধারণীকরণ করার ক্ষমতার কারণে শিক্ষা-ভিত্তিক উপলব্ধি পরিকল্পনা গত দশকে জনপ্রিয় হয়ে উঠেছে। এই পদ্ধতিগুলির প্রশিক্ষণের জন্য প্রচুর পরিমাণে ডেটা প্রয়োজন, বিশেষ করে যেগুলি গভীর নিউরাল নেটওয়ার্ক ব্যবহার করে। যাইহোক, বহু-আঙ্গুলের আঁকড়ে ধরার জন্য বড় আকারের ডেটা সংগ্রহ একটি চ্যালেঞ্জ রয়ে গেছে, কারণ (1)
দৈনন্দিন জীবনে সাধারণ বস্তু জ্যামিতি, টেক্সচার, জড় বৈশিষ্ট্য এবং চেহারার ক্ষেত্রে বড় বৈচিত্র্য প্রদর্শন করে; এবং
(২) মাল্টি-ফিঙ্গার গ্র্যাপ কনফিগারেশনের তুলনামূলকভাবে উচ্চ মাত্রা, (যেমন কনফিগারেশনের জন্য 2 মাত্রা
এই কাগজে হাত এবং কব্জির ভঙ্গি)।

নতুন সক্রিয় শেখার পদ্ধতিগুলি ইন্টারেক্টিভভাবে একটি গ্র্যাপ মডেল শিখে যা একটি প্যাসিভ, তত্ত্বাবধানে গ্র্যাপ লার্নারের তুলনায় কম নমুনা ব্যবহার করে বিভিন্ন অবজেক্ট জুড়ে গ্র্যাপ কনফিগারেশন স্পেসকে আরও ভালভাবে কভার করে। স্ট্যান্ডার্ড তত্ত্বাবধানে শিক্ষার মতো উপলব্ধ প্রশিক্ষণ ডেটা ব্যাখ্যা করার জন্য প্যাসিভভাবে একটি হাইপোথিসিস প্ররোচিত করার পরিবর্তে, সক্রিয় লার্নিং ক্রমাগত এবং ইন্টারেক্টিভভাবে নতুন অনুমানগুলি বিকাশ করে এবং পরীক্ষা করে।

সক্রিয় শিক্ষা সবচেয়ে উপযুক্ত হয় যখন 1) লেবেলবিহীন ডেটা নমুনাগুলি অনেকগুলি হয়, 2) একটি সঠিক তত্ত্বাবধানে শেখার সিস্টেমকে প্রশিক্ষণের জন্য প্রচুর লেবেলযুক্ত ডেটার প্রয়োজন হয় এবং 3) ডেটা নমুনাগুলি সহজেই সংগ্রহ বা সংশ্লেষিত করা যায়। উপলব্ধি শিক্ষা এই শর্তগুলির প্রতিটিকে সন্তুষ্ট করে: 1) অসীমভাবে অনেকগুলি সম্ভাব্য উপলব্ধি রয়েছে, 2) স্থানটি কভার করার জন্য প্রচুর সংখ্যক লেবেলযুক্ত প্রশিক্ষণের নমুনা প্রয়োজন, এবং 3) রোবটটি তার নিজস্ব ওরাকল-এটি একটি উপলব্ধি করার চেষ্টা করতে পারে এবং স্বয়ংক্রিয়ভাবে মানুষের লেবেল ছাড়াই সাফল্য বা ব্যর্থতা সনাক্ত করা।

টেসলার ইতিমধ্যেই ভৌত জগতে বস্তুর অটোলেবেলিং রয়েছে।