No sé si estoy hablando de “desaprender” o más sobre prevenir el “aprendizaje incorrecto”, pero sugeriría probar dos cosas, cada una para resolver un problema.
En mi cabeza, las “representaciones mal aprendidas” se refieren a dos cosas:
1. Representaciones que corresponden a datos reales pero que no reflejan bien el caso general -> sobreajuste
- ¿Los investigadores que elaboran algoritmos útiles ganan mucho dinero cuando sus algoritmos se aplican ampliamente en la industria?
- ¿Puedo adoptar un enfoque de alto nivel para aprender Machine Learning sin molestar a los matemáticos detrás de los algoritmos de ML?
- ¿Qué esquema o algoritmo de compresión se usa en el formato de video 4K?
- Cómo superar y comprender el algoritmo / código de otras personas
- ¿Cuál es la nueva actualización del algoritmo de Google?
- En este caso, la regularización sería útil, ya que proporciona un modelo más uniforme que generaliza mejor.
2. Ingrese datos que sean ruidosos o incluso incorrectos
- Este es un problema de los datos y no del modelo. Una forma es descartar estas muestras “malas” ya sea eliminando valores atípicos o algún control previo de calidad de la muestra.
No sé si las redes de aprendizaje por refuerzo se comportarían mejor con algún tipo de evaluación manual del modelo.
Espero que esto ayude, ¡buena suerte!
Atanasios
