機器學習技術的演變仍在推動人工智能可能的邊界。在一項高級研究中，來自斯泰倫博斯大學的約翰·杜普雷茲（Johan du Precez）教授和埃米爾·里恩·恩格布雷希特（Emile-Reyn Engelbrecht）博士在機械學習的兩個主要分支之間連接了概念：SSL（SSL）和開放記憶。他們在非洲科學上發表的發現揭示了通過使用相反網絡（GAN）的深刻聯繫，這可能會導致學習成本的學習方式，而成本更有效，更有效。
他們研究的關鍵是使用gan，這是一種具有兩個神經網絡的動態工具。該研究提供了不僅使用SSL使用這些網絡的方法，SSL只有一些標記的標籤，而且還具有OSR的標籤，這需要鑑定在測試程序中未看到的小說。
研究人員認為SSL和OSR鏈接的關鍵在於他們稱之為樣本的創建。 “看起來不好” – 有意創建的數據分數是含糊還是誤會。這些示例具有“補充”區域。頻譜中的概念區域是已知類別之間已知的。在這些例子的單獨培訓中，不僅可以識別，而且可以對適當的輸入小說進行分類，這些小說尚未得到清楚的培訓
Engelbrecht解釋說：“通過將我們對SSL空間的了解擴展到OSR，我們發現我們的模型可以有效地結論這一開放空間，從而提高了處理意外數據的能力。”
該研究已經在同一戶外的基本SSL-GAN和OSR-GAN之間進行了廣泛的比較。結果非常相似，因此證實了研究人員的理論，即控制SSL和OSR的基本機制通過維護鏈接。
在詢問這一教育路線時，該團隊嘗試了各種GAN模型，以考慮哪種價值配置是已測試的模型中SSL-OSR情況下的最佳性能，即出色的利潤率，在確定和利用補充空間方面已過濾的方法提供了卓越的結果。
這項研究表明，SSL-OSR的綜合框架不僅更容易訓練培訓過程，因此有許多含義。但也有助於提高機器學習系統的功能，使它們能夠適應並在人工智能繼續不斷發展時更加有效，這項研究為可以處理現實世界的複雜性和不確定性的強大系統鋪平了道路。
參考期刊
E.-R。 Engelbrecht和Ja的Du Preez，“在半程看守人學習非洲科學中，2023年。Doi： https://doi.org/10.1016/j.sciaf.2023.e01903
關於作者
約翰·A·杜·普雷茲教授 這是Steellenbosch大學電氣和電子部的一個獨特數字，專注於研究機器，系統，概率系統以及語音和處理的研究。他的傑出工作，包括演講者和手寫探測項目，他是Steelnbosch（Su’Clast Specual語言（Su’Clast）的成員。此外，他還涉及願景和學習，參與涵蓋了口語和技術處理技術。
