tensorflow/neural-structured-learning

何を解決するか

ニューラル構造学習（NSL）は、ラベル付きデータが限られている状況下でのニューラルネットワークの訓練という課題に対処します。訓練プロセス中に「構造化信号」——異なるデータサンプル間の関係性や類似性に関する情報——を組み込むことで、モデルの精度と耐性を向上させます。

動作方法

NSLは、任意のニューラルネットワーク（フィードフォワード、畳み込み、再帰ネットワークなど）の訓練をガイドするために、2種類の構造化信号を利用します：

• 明示的構造： サンプル間の既知の関係をグラフで表現します。
• 暗黙的構造： アドバーシャル摂動を使用して構造を誘導し、モデルの悪意ある攻撃に対する耐性を高めます。

これらの信号は訓練フェーズでのみ統合されます。最終的なモデルの推論およびサービングワークフローは変更されないため、予測時のパフォーマンスにペナルティはかかりません。

対象ユーザー

特に半教師あり学習に取り組んでいる、またはモデルのアドバーシャル攻撃に対する耐性を高めたい開発者や研究者に適しています。

特徴

• 柔軟な統合： Keras API、低レベルの TF 演算、グラフ構築ツールを提供し、訓練に構造化信号を簡単に追加できます。
• 広範な互換性： CNN、RNN、MLP など、さまざまなニューラルネットワークアーキテクチャと互換性があります。
• 二重アプローチ： ニューラルグラフ学習とアドバーシャル学習を1つのフレームワークに一般化しています。
• 推論オーバーヘッドなし： 構造化信号は訓練時のみ使用され、サービングパフォーマンスに影響を与えません。