يادگيري دوگان ژرف و كاربردهاي آن

يادگيري ژرف، كه در بسياري از مسائل هوش مصنوعي به نتايج بسيار خوبي رسيده است، از اين واقعيت رنج مي‌برد كه عملكرد آن به‌شدت به حجم داده‌هاي برچسب‌دار بستگي دارد. در بسياري از كاربردهاي دنياي واقعي، تعداد نمونه‌هاي داراي برچسب معمولاً محدود بوده و گردآوري آن نيز پرهزينه است. درحالي‌كه اغلب، نمونه‌هاي بدون برچسب به مقدار كافي موجود است. بنابراين، ارائه‌ي روش‌هايي براي بهره‌برداري مؤثر از نمونه‌هاي بدون برچسب توجه بسياري را به خود جلب كرده‌ است. گذشته از اين، بسياري از مسائل هوش مصنوعي در قالب دوگان ظاهر مي‌شوند؛ براي نمونه، ترجمه انگليسي به فارسي در مقابل ترجمه فارسي به انگليسي و طبقه‌بندي تصوير در مقابل توليد تصوير. در سال‌هاي اخير، روش‌هاي متعددي براي استفاده از همبستگي بين وظايف دوگان ارائه شده است. در اين مقاله، به بررسي روش‌هاي يادگيري دوگان مي‌پردازيم، كه هدف از آن بهره‌برداري مؤثر از دوگانگي ميان دو وظيفه‌ي دوگان در آموزش و يا استنتاج است. يادگيري دوگان را مي‌توان به سه سطح مختلف، يعني دوگانگي در سطح داده‌، در سطح مدل و در سطح استنتاج تقسيم نمود‌. در اين مقاله، به روش‌هاي مختلف براي بهره‌گيري از اين ايده‌ها و موفقيت‌هاي آن‌ها در كاربردهاي مختلف، خواهيم پرداخت. همچنين نشان خواهيم داد كه چگونه يادگيري دوگان به‌طور مؤثر نياز به داده‌هاي داراي برچسب را كاهش مي‌دهد.