MATNLI MA'LUMOTLARNI KENGAYTIRISH UCHUN DINAMIK STRATEGIYA REJALASHTIRISHNI O'RGANISH MASALASI

Abstract

Chuqur o'rganish modellarining yuqori samaradorligi asosan katta hajmdagi belgilangan ma'lumotlarga bog'liq bo'lib, ma'lumotlarni qo'lda belgilash jarayoni yuqori xarajat va vaqt talab etadi. Bu holat cheklangan hajmdagi ma'lumotlarga ega vazifalarda modelning qayta moslashuvi (overfitting) xavfini kuchaytiradi. Tabiiy tilni qayta ishlash (NLP) sohasida ma'lumotlarni kengaytirish (data augmentation) ushbu muammoni yumshatishning samarali vositasi sifatida e'tirof etilgan. Biroq mavjud kengaytirish usullarining aksariyati statik, ya'ni butun o'qitish jarayoni davomida o'zgarmas strategiyadan foydalanadi. Amalda esa turli vazifalar va ma'lumotlar to'plamlari uchun optimal kengaytirish operatsiyalari farqlanadi, shuningdek, bitta modelning o'qitish jarayonining boshlang'ich va yakuniy bosqichlarida ham turlicha strategiya talab etilishi mumkin. Shu sababli, o'qitish davomida dinamik ravishda moslashuvchan kengaytirish siyosatini (policy) avtomatik shakllantirish masalasi zamonaviy NLP tadqiqotlarida dolzarb ilmiy muammo hisoblanadi.