representation learning
Maskinlæringsteknikker, der automatisk afdækker de optimale repræsentationer af rådata til brug for detektion, klassifikation eller andre opgaver.
Kort fortalt
En metode, hvor modellen selv lærer at omdanne rådata til meningsfulde og kompakte repræsentationer, så den kan løse opgaver mere effektivt.
- Kategori
- begreb
- Niveau
- øvet
Betydninger
1- 1
Automatisk læring af transformationer, der kortlægger rådata til en latent repræsentation, som bevarer relevant information og fjerner støj eller redundans.
- Autoencodere er en klassisk metode inden for representation learning, hvor netværket tvinges til at finde en komprimeret kode af inputtet. — Generel viden
- Selvovervåget læring har drevet store fremskridt inden for representation learning for sprog- og billeddata. — Forskningsartikel, 2021
Hvornår bruges det
Representation learning anvendes især i deep learning til at erstatte manuel feature engineering. Det er centralt i autoencodere, sprogmodeller og læring af grafstrukturer, ofte i en selvovervåget eller uovervåget kontekst.
Oprindelse
Begrebet opstod i maskinlæringsmiljøet omkring 2000-tallet og blev formaliseret af bl.a. Yoshua Bengio i en oversigtsartikel fra 2013.
Afledte ord
2Kilder
2- Representation Learning: A Review and New Perspectives
- Deep Learning (Goodfellow, Bengio, Courville)