Google Launched Crowdsourcing Adverse Test Sets for Machine Learning (CATS4ML) Challenge

Google Launched Crowdsourcing Adverse Test Sets for Machine Learning (CATS4ML) Challenge

[ad_1]

हाल ही में, Google AI ने CATS4ML (क्राउडसोर्सिंग एडवांस टेस्ट सेट्स फॉर मशीन लर्निंग) नाम से एक डेटा चैलेंज लॉन्च किया है। यह चुनौती मौजूदा एमएल बेंचमार्क खोजने के लिए प्रोत्साहित करके मशीन लर्निंग के लिए मूल्यांकन डेटासेट में सुधार करती है।

CATS4ML डेटा चैलेंज 30 अप्रैल 2021 तक है

Google ने CATS4ML डेटा चुनौती शुरू की

CATS4ML डेटा चुनौती, चुनौती देने वालों को एमएल मॉडल में अज्ञात अज्ञात के उदाहरणों को खोजने के लिए विभिन्न तरीकों का उपयोग करने के लिए कहती है। इसलिए, जब इस तकनीक को और अधिक अनुभव मिलेगा, तो Google की ऑब्जेक्ट मान्यता तकनीक बेहतर प्रदर्शन करेगी।

ऑब्जेक्ट मान्यता कार्यों में, CATS4ML मशीन सीखने की क्षमता को चुनौती देगा। परीक्षण सेट में कई उदाहरण हैं जो एल्गोरिदम के साथ हल करना मुश्किल है। CATS4ML का मुख्य उद्देश्य डेवलपर्स के लिए एल्गोरिदम की कमजोरियों की जांच के लिए एक डेटा सेट देना है।

कई मूल्यांकन डेटासेट में आसानी से मूल्यांकन करने वाली वस्तुएं होती हैं, लेकिन वे वास्तविक संदर्भ की प्राकृतिक अस्पष्टता को याद करते हैं। वास्तविक दुनिया के उदाहरणों के बिना एमएल मॉडल का मूल्यांकन करना मशीन सीखने के प्रदर्शन का परीक्षण करना मुश्किल है। और इससे ML मॉडल “कमजोर स्पॉट” विकसित होते हैं।

HCOMP 2020 में Google AI का CATS4ML डेटा चैलेंज ML मॉडल की कमजोरियों को पहचानने में कठिनाई को दर्शाता है। इस चुनौती का मुख्य उद्देश्य नए डेटा उदाहरणों को देखने के लिए बार बार एमएल मूल्यांकन सेट में रखना है और इस मशीन के बारे में सीखना आत्मविश्वास है। इस चुनौतियों के परिणाम भविष्य की त्रुटियों को पहचानने और उनसे बचने में मदद करेंगे।

मशीन सीखने के मॉडल में कमजोर स्थान

कमजोर स्पॉट ऐसे उदाहरण हैं जो किसी मॉडल के लिए सही मूल्यांकन करने में मुश्किल होते हैं। ऐसा इसलिए होता है क्योंकि डेटासेट में उदाहरणों के वर्ग शामिल नहीं होते हैं।

शोधकर्ता एक सक्रिय लर्निंग डोमेन में “ज्ञात अज्ञात” का अध्ययन करना जारी रखते हैं। समुदाय ने यादृच्छिक उदाहरणों पर लोगों से एक नया लेबल प्राप्त करने के लिए एक समाधान ढूंढ लिया है। जैसे, यदि कोई मॉडल किसी फोटो के विषय के बारे में सुनिश्चित नहीं है तो वह बिल्ली है या नहीं, एक व्यक्ति को उस फोटो को सत्यापित करने के लिए निर्देशित किया जाता है। और अगर मॉडल फोटो के बारे में निश्चित है, तो उस व्यक्ति से नहीं पूछा जाता है।

वास्तविक दुनिया के उदाहरण अपने प्रदर्शन में एक मॉडल की विफलताओं को बेहतर परिणाम दे सकते हैं। इसलिए, CATS4ML डेटा चुनौती मानव रहित नमूनों को इकट्ठा करने की कोशिश करती है जो मनुष्य पढ़ सकते हैं लेकिन मॉडल गलतियाँ करते हैं।

CATS4ML डेटा चुनौती वैश्विक स्तर पर शोधकर्ताओं और डेवलपर्स के लिए 30 अप्रैल 2021 तक खुली है। प्रतिभागियों पर रजिस्टर कर सकते हैं चुनौती वेबसाइट, लक्ष्य चित्र और डेटासेट डाउनलोड करें, और चित्र प्रदान करें।

[ad_2]