Asimilátor: Architektura neuronové sítě pro klasifikační a regresní úlohy

V kontextu strojového učení je asimilátor typem architektury neuronové sítě, která je navržena k provádění klasifikačních i regresních úloh. Termín „asimilátor“ byl vytvořen výzkumníky z Googlu, kteří tuto architekturu vyvinuli jako způsob, jak spojit silné stránky tradičních klasifikačních modelů (jako je logistická regrese) se schopnostmi hlubokých neuronových sítí. jediná neuronová síť k provádění klasifikačních i regresních úloh, spíše než použití samostatných modelů pro každý úkol. To umožňuje modelu naučit se sdílenou reprezentaci dat, kterou lze použít pro oba typy předpovědí, což může vést ke zlepšení výkonu a efektivnějšímu tréninku. Klasifikační větev je typicky plně propojená neuronová síť s výstupní vrstvou softmax, která vytváří rozdělení pravděpodobnosti přes možné třídy. Regresní větev je také plně propojená neuronová síť, ale nemá výstupní vrstvu, takže ji lze použít k predikci spojitých hodnot, jako je cena produktu. pomocí kombinace klasifikačních a regresních ztrátových funkcí. To umožňuje modelu naučit se sdílenou reprezentaci dat, která je užitečná pro oba úkoly, a zároveň mu umožňuje specializovat se na specifické požadavky každého úkolu.… Jednou z výhod asimilátoru je, že může být efektivnější než trénování samostatných modelů klasifikace a regrese, protože vyžaduje pouze naučení jediné sady parametrů. Kromě toho může být sdílená reprezentace naučená asimilátorem užitečná pro jiné úkoly, jako je shlukování nebo detekce anomálií.