Kiến trúc mạng nơ-ron của học một nhiệm vụ và hai nhiệm vụ
Khi bạn đang cố gắng học điều gì đó, tập trung vào một thứ tại một thời điểm có vẻ là một chiến lược tốt. Nhưng giờ đây, các nhà nghiên cứu tại Viện Khoa học Công nghiệp của Đại học Tokyo đã phát hiện ra rằng việc học cả hai nhiệm vụ đồng thời giúp các mô hình học sâu hoạt động tốt hơn trên cả hai nhiệm vụ khi truy xuất thông tin lượng mưa từ dữ liệu vệ tinh. Bài báo “Học đa tác vụ để truy xuất đồng thời ước tính lượng mưa vi sóng thụ động và phân loại mưa/không mưa” đã được xuất bản trên Geophysical Research Letters. Biết được lượng mưa ở đâu và lượng mưa trên khắp thế giới là thông tin quan trọng trong các lĩnh vực như nghiên cứu khí hậu, quản lý tài nguyên nước và dự báo thời tiết. Thông tin này có thể thu được từ dữ liệu hình ảnh vi sóng thụ động từ các vệ tinh ở quỹ đạo thấp của Trái đất, nhưng lượng mưa phải được xác định và ước tính từ dữ liệu thô.
Takumi Bannai, tác giả chính của bài báo cho biết: “Gần đây, các phương pháp học sâu dựa trên hai mạng đã đạt được kết quả tốt. “Tuy nhiên, mục tiêu của chúng tôi là áp dụng học tập đa tác vụ cho vấn đề này và xem liệu chúng tôi có thể cải thiện hiệu suất hơn nữa hay không.” Các phương pháp học sâu truyền thống chia nhiệm vụ thành hai giai đoạn. Đầu tiên xác định xem trời có mưa ở một khu vực hay không và giải quyết nó bằng cách sử dụng mạng phân loại đưa ra các danh mục như “mưa” hoặc “không mưa”. Thứ hai xác định lượng mưa. Nó sử dụng một mạng hồi quy đưa ra một giá trị số. Ngược lại, mạng học tập đa tác vụ là một mạng duy nhất có hai nút đầu ra, một để phân loại và một để hồi quy. Trước tiên, mạng được đào tạo ngắn gọn về nhiệm vụ phân loại (“mưa” hoặc “không có mưa”), sau đó nhanh chóng về nhiệm vụ hồi quy (cường độ mưa) và cuối cùng là cả hai nhiệm vụ cho đến khi hội tụ.
Cách tiếp cận này được so sánh với các mô hình chỉ hồi quy và các sản phẩm ước tính lượng mưa hiện có. Dữ liệu từ Phái bộ Đo lường Lượng mưa Toàn cầu, một mạng lưới vệ tinh quốc tế đã đo lượng mưa từ năm 2014, đã được sử dụng. Phương pháp đề xuất thu được tỷ lệ mưa chính xác hơn so với các phương pháp khác. “Chúng tôi tin rằng mô hình đạt được những kết quả này nhờ khả năng chuyển giao hoặc chia sẻ kiến thức giữa các nhiệm vụ”, tác giả liên hệ Hyungjun Kim, cũng liên kết với Viện Khoa học và Công nghệ Tiên tiến Hàn Quốc (KAIST) cho biết. “Điều này cho thấy học tập đa tác vụ là một cách tuyệt vời để cải thiện các mô hình học sâu của chúng tôi, đặc biệt là khi các tác vụ dựa trên cùng một cơ chế vật lý, như trong trường hợp này.”
Trong tương lai, các nhà nghiên cứu có kế hoạch mở rộng mô hình để xem xét nhiều nhiệm vụ hơn, chẳng hạn như phân loại các kiểu mưa. Một khả năng thú vị khác là sử dụng học tập đa tác vụ để kết hợp kiến thức trước đây về vật lý vi mô đám mây. Giờ đây, khung mới có thể được sử dụng để cải thiện các ước tính hiện tại về lượng mưa từ dữ liệu vệ tinh.
Bàn Hường (Lược dịch)
Nguồn:https://techxplore.com/news/2023-04-deep-learning.html