Darstellungslernen

Repräsentationslernen ist ein Prozess im maschinellen Lernen, bei dem Algorithmen sinnvolle Muster aus Rohdaten extrahieren, um diese in verständlichere und handhabbarere Datenrepräsentationen zu transformieren. Diese Repräsentationen können so gestaltet werden, dass sie interpretierbar sind und verborgene Merkmale aufdecken, oder für Transfer-Lernen verwendet werden, was für grundlegende Aufgaben wie die Bildklassifizierung und -retrieval von großer Bedeutung ist. Tiefenschichtneuronale Netze dienen als Modelle für Repräsentationslernen und kodieren in der Regel Informationen, projizieren sie in verschiedene Teilräume und übergeben sie anschließend einem linearen Klassifikator zum Training. Repräsentationslernen kann in überwachtes Repräsentationslernen und unüberwachtes Repräsentationslernen unterteilt werden. Beim ersteren werden durch beschriftete Daten Repräsentationen gelernt, die anderen Aufgaben helfen, während beim letzteren Repräsentationen durch unbeschriftete Daten gelernt werden, wodurch die Notwendigkeit von beschrifteten Daten bei neuen Aufgaben reduziert wird. In den letzten Jahren hat sich das selbstüberwachte Lernen zu einer wichtigen Triebkraft hinter dem unüberwachten Repräsentationslernen entwickelt und findet weitreichende Anwendungen in der Computer Vision und der natürlichen Sprachverarbeitung.