Jak uczyć sieci neuronowe w warunkach ograniczonego nadzoru?

Uczenie dużych sieci neuronowych z natury wymaga ogromnej ilości danych, co generuje koszty związane z etykietowaniem danych przez ludzi. Przedstawimy alternatywne metody uczenia sieci w warunkach ograniczonego nadzoru, gdzie ilość etykietowanych danych jest ograniczona. Ponadto pokażemy zastosowania tych podejść w robotyce.

We will discuss the challenges of training large neural networks, which inherently require vast amounts of data, and the costs associated with human-labeling for supervision. We will explore alternative methods to train these networks with limited supervision, reducing reliance on labeled data. Additionally, we will demonstrate the applications of these approaches in the field of robotics.

Prezentacja