Εφαρμογή τεχνικών μεταφοράς μάθησης για τη βελτίωση της προβλεπτικής ακρίβειας νευρωνικών δικτύων

Abstract

Στην εποχή μας, οι προβλέψεις συνιστούν, πιο πολύ από ποτέ, ένα αναπόσπαστο κομμάτι της καθημερινότητας του ανθρώπου. Αποφάσεις μικρής κλίμακας, αλλά και μεγάλες επιχειρηματικές δράσεις, απαιτούν την παραγωγή ποιοτικών προβλέψεων, με αποτέλεσμα η επιστήμη των προβλέψεων να γνωρίζει διαρκή ανάπτυξη. Προσφάτως, συντελέστηκε ένα από τα βασικότερα βήματα στην πορεία εξέλιξης του κλάδου, καθώς ενσωματώθηκε σε αυτόν η χρήση τεχνικών μηχανικής μάθησης. Η ίδια παρέχει μια πληθώρα νέων προσεγγίσεων, δίνοντας τη δυνατότητα για καθολική χρήση των δεδομένων, αξιοποιώντας τη γνώση μεταξύ χρονοσειρών.

Στα πλαίσια της αξιοποίησης γνώσης μεταξύ χρονοσειρών, μια τεχνική που χρήζει έρευνας είναι η χρήση της μεταφοράς μάθησης μεταξύ διαφορετικών συνόλων δεδομένων. Η παρούσα εργασία, εστίασε στη χρήση τέτοιων μεθόδων με την εκπαίδευση ενός υπερμοντέλου επί ενός συνόλου δεδομένων με ποικιλία χρονοσειρών, με σκοπό την παραγωγή ποιοτικών προβλέψεων για τις ετήσιες χρονοσειρές του συνόλου δεδομένων του Μ4. Σκοπός μας ήταν να ερευνήσουμε αν η ιδέα της μεταφοράς μάθησης θα μπορούσε να λειτουργήσει καλά στον τομέα των προβλέψεων και, επιπρόσθετα, ποιες μέθοδοι επανεκπαίδευσης κρίνονται περισσότερο κατάλληλες. Επιπλέον, ερευνήσαμε το αν η συγκεκριμένη μέθοδος προσφέρεται και για μη καθολική χρήση των δεδομένων του περιβάλλοντος στόχου, δοκιμάζοντας να επανεκπαιδεύσουμε το υπερμοντέλο αρχικά χωρίζοντας το σύνολο δεδομένων σε υποομάδες κι, έπειτα, χρησιμοποιώντας τις χρονοσειρές του με τοπικό τρόπο.

Με βάση τα πειράματα μας, εξήχθησαν ορισμένα συμπεράσματα ως προς την αξία της μεταφοράς μάθησης και τις δυνατότητες χρήσης της. Η ίδια αποδείχτηκε αρκετά χρήσιμη, καθώς οδήγησε σε μείωση του σφάλματος των προβλέψεων, ενώ οι απαιτήσεις της σε χρόνο και υπολογιστικούς πόρους δεν την κατέστησαν ανεπίτρεπτη. Μάλιστα, οι δύο μέθοδοι που απέδωσαν τα μέγιστα οφέλη, ήταν και αυτές με το μικρότερο κόστος. Τέλος, όλα τα αποτελέσματα που λάβαμε αποδεικνύουν πως η καθολική χρήση των δεδομένων που έχουμε στη διάθεσή μας, συνιστά την καλύτερη δυνατή επιλογή προς σκοπούς επανεκπαίδευσης, κατά τη χρήση τεχνικών μεταφοράς μάθησης.