Глубокие модели достигли значительных успехов во многих задачах, однако эффективное обучение на зашумленных выборках малого объема остается серьезной проблемой, особенно в областях со структурированными данными. Вдохновляясь концепцией человеко-машинного обучения, авторы предлагают Knowledge-augmented Column Networks — фреймворк реляционного глубокого обучения. Эта система использует экспертные знания и советы для повышения качества моделей в условиях дефицита данных. Предложенный подход позволяет направлять процесс обучения, объединяя преимущества нейронных сетей и человеческого опыта.
Авторы представляют «колонные сети с расширенными знаниями» (KACN), которые позволяют интегрировать экспертные советы напрямую в процесс глубокого обучения. Модель эффективно справляется с зашумленными и ограниченными данными в структурированных средах, где обычные нейросети терпят неудачу. Внедрение человеческого опыта в архитектуру сети помогает ИИ быстрее и точнее находить закономерности в сложных задачах.