"Mặc dù hai kỹ thuật khai thác có vẻ khác nhau và độc lập, nhưng chúng tôi nhận thấy chúng thực sự tương đương với nhau. Chúng tôi đã chứng minh được hai kỹ thuật khai thác này có thuộc tính của tính hai mặt. Chúng tôi thiết kế các phương thức để có thể chuyển đổi qua lại giữa hai phương pháp, sau đó xử lý từng phương pháp riêng lẻ. Kết quả khai thác có và không có phép biến đổi là như nhau.
Từ cơ sở dữ liệu trên, chúng tôi mở rộng thuộc tính đối ngẫu của hai vấn đề khai thác sang các tình huống với nhiều ngưỡng và trọng số. Với thuộc tính đối ngẫu, chúng tôi có thể dễ dàng thiết kế một thuật toán từ thuật toán tương ứng của nó trong bài toán khai thác kép." - Giáo sư Tzung-Pei Hong chia sẻ.
Quang cảnh hội nghị quốc tế. |
Giáo sư Michał Woźniak, Trường Đại học Khoa học và Công nghệ Wroclaw, Ba Lan thì tập trung vào các phương pháp tiếp cận chính liên quan đến học máy suốt đời và những thách thức mở trong lĩnh vực này.
Theo Giáo sư Michał Woźniak, học máy suốt đời (LLML) có thể khắc phục những hạn chế của thuật toán học thống kê là cần nhiều ví dụ đào tạo và thích hợp cho việc học một nhiệm vụ riêng lẻ.
Các tính năng chính cần được phát triển trong các hệ thống như vậy để thừa hưởng những kiến thức đã học trước đây bao gồm mô hình tính năng, lưu giữ kiến thức từ các nhiệm vụ học tập trong quá khứ, chuyển giao kiến thức cho các nhiệm vụ học tập trong tương lai, cập nhật kiến thức trước đó và phản hồi của người dùng.
Ngoài ra, khái niệm nhiệm vụ xuất hiện trong nhiều định nghĩa chính thức về các mô hình LLML được xem là khó xác định trong nhiều thiết lập thực tế vì thường khó phân biệt khi nào một nhiệm vụ cụ thể kết thúc và bắt đầu tiếp theo.
Giáo sư Michał Woźniak cho rằng: Một trong những thách thức chính là tình trạng song đề về tính ổn định và tính dẻo, nơi các hệ thống học tập phải đánh đổi giữa việc học thông tin mới mà không quên thông tin cũ. Điều này được làm rõ trong hiện tượng quên toàn bộ, tức là sự quên hoàn toàn thông tin đã học trước đó bởi một mạng thần kinh tiếp xúc với thông tin mới.