Neural Structured Learning: Tensorflow lernt auf Graphen und strukturierten Daten
Die Entwickler von Google haben Tensorflow um die Funktion des sogenannten Neural Structured Learning erweitert, wie das Team in seinem Blog(öffnet im neuen Fenster) mitteilt. Damit sollen erfahrene wie auch unerfahrene Entwickler in der Lage sein, neuronale Netzwerke auf der Grundlage strukturierter Eingabesignale trainieren zu können.
Laut der Ankündigung lassen sich mit dem System robuste Modelle zu Bilderkennung, Sprachverarbeitung oder auch zur allgemeinen Vorhersage erstellen. Die Eingabesignale können dabei in Graphen oder anderen Strukturen repräsentiert werden. Die Idee des darauf ausgeführten Lernens ist es, die Relationen der so vorgehaltenen Daten zueinander auszuwerten, statt eben einzelne Eingabedaten zu nutzen wie bisher. Die konkrete Vorgehensweise soll sich dabei für jede beliebige Art neuronaler Netzwerke eignen.
Die Arbeiten an dem nun verfügbaren Framework basieren auf Forschungen von Google ( PDF(öffnet im neuen Fenster) ). Demnach helfe das Lernen auf strukturierten Daten vor allem, um die Genauigkeit von Modellen zu erhöhen, wenn zum Lernen vergleichsweise wenige gut gekennzeichnete Ausgangsdaten zur Verfügung stünden.
Als mögliche Ausgangsdaten zählt das Team Techniken wie den Knowledge Graph auf, aber auch Krankenakten, Gendaten oder eben auch multimodale Relationen wie Text-Bild-Paare. Eigenen Angaben zufolge setzt das Team bei Google diese neue Art des maschinellen Lernens bereits ein, um die Leistung bestimmter Modelle zu verbessern. Weitere Details(öffnet im neuen Fenster) zu dem Neural Structured Learning finden sich auf der Webseite von Tensorflow, wo das Team auch ein Tutorial zur Nutzung(öffnet im neuen Fenster) der Technik bereitstellt. Der Code findet sich auf Github(öffnet im neuen Fenster) .