En el mundo de los datos del mundo real, es común encontrar distribuciones de colas largas, donde algunas clases dominantes tienen abundantes muestras mientras que la mayoría de las clases de "cola" están gravemente subrepresentadas. Esta situación conduce a un aprendizaje sesgado y una baja generalización para las clases de "cola".
Una interesante relación que se ha descubierto recientemente es la que existe entre el Reconocimiento de Colas Largas (LTR) y el Aprendizaje Continuo (CL), que es el proceso de aprender tareas secuenciales sin olvidar el conocimiento previo. Este enfoque teórico ha revelado que, para modelos entrenados en conjuntos de datos desequilibrados, los pesos convergen a un vecindario acotado de aquellos modelos entrenados exclusivamente en las clases dominantes, con el límite escalando como la inversa de la raíz cuadrada de la desigualdad.
Tomando ventaja de esta perspicacia, ha surgido el Aprendizaje Continuo para el Reconocimiento de Colas Largas (CLTR), que es un enfoque basado en principios que emplea métodos estándar de CL para abordar problemas de LTR al aprender secuencialmente las clases dominantes y subrepresentadas sin olvidar las clases dominantes. Este análisis teórico sugiere además que CLTR mitiga la saturación del gradiente y mejora el aprendizaje de las clases subrepresentadas sin comprometer el rendimiento de las clases dominantes.
Experimentos extensos en distintos conjuntos de datos validan las predicciones teóricas, logrando resultados sólidos en diversos benchmarks de LTR. Este trabajo logra unir el LTR con el CL, ofreciendo una forma fundamentada de abordar los desafíos de los datos desequilibrados con estrategias estándar de CL ya existentes.
En Q2BSTUDIO comprendemos la importancia de adaptar las soluciones tecnológicas a medida de las necesidades de cada empresa. Con servicios de desarrollo de aplicaciones a medida, inteligencia artificial, ciberseguridad, servicios cloud AWS y Azure, servicios de inteligencia de negocio, entre otros, podemos ayudar a las empresas a enfrentar desafíos tecnológicos de manera eficaz.
