Google lanza un framework de aprendizaje neuronal estructurado para TensorFlow

Google ha anunciado el lanzamiento del framework Neural Structured Learning (NSL) para TensorFlow. Se trata de un framework open source de aprendizaje neuronal estructurado, que emplea el método de aprendizaje de gráficos neuronales para el entrenamiento de redes neuronales con datos gráficos y estructurados.

Como hemos comentado, el framework NSL funciona con la plataforma de machine learning TensorFlow, y está pensado tanto para principiantes en machine learning como para investigadores que cuentan con amplia experiencia. Su función es generar modelos para utilizarlos en visión por computador, realizar tareas de aprendizaje de gráficos neuronales y hacer predicciones a partir de campos de datos gráficos, como los que se pueden encontrar en historiales médicos o en grafos de conocimiento. Por tanto, se puede utilizar en la creación de modelos para visión artificial, comprensión del lenguaje, y predicción de eventos en general.

NSL puede realizar entrenamientos de aprendizaje supervisado, semisupervisado o no supervisado. Con ellos se encargará de crear modelos que empleen señales gráficas para la regularización durante el entrenamiento. Con este framework, las señales estructuradas, tanto si están definidas de forma explícita como gráficas como si se aprende de manera implícita que son ejemplos antagónicos, se emplean para regularizar el entrenamiento de una red neuronal.

En dicho entrenamiento se fuerza al modelo a aprender predicciones precisas, al mismo tiempo que se mantiene la similitud entre entradas de la misma estructura. Esta técnica es genérica y se puede aplicar a arquitecturas neuronales arbitrarias.

Da-Cheng Juan y Sujith Ravi, dos de los científicos que han trabajado en su desarrollo, han sido los encargados de anunciar el lanzamiento y dar diversos detalles de este framework en un post en Medium. Ambos han señalado que «sacar partido de las señales estructuradas durante el entrenamiento permite a los desarrolladores conseguir una mayor precisión en los modelos. En concreto, cuando la cantidad de datos etiquetados es relativamente pequeña. El entrenamiento con señales estructuradas conduce también a modelos más robustos. Estas técnicas se han usado mucho en Google para mejorar el rendimiento de los modelos, como en los de aprendizaje de integración semántica de imágenes«.