End-to-End Learning (E2E-Lernen) ist ein Trainingsansatz im Deep Learning, bei dem ein einziges neuronales Netz die gesamte Verarbeitungskette von den unverarbeiteten Eingangsdaten bis zur Zielausgabe gemeinsam erlernt, ohne manuell getrennte Zwischenmodule.
Erklärung
Klassische Verarbeitungspipelines zerlegen eine Aufgabe wie die Spracherkennung in separate Stufen aus Signalvorverarbeitung, akustischem Modell, Aussprachewörterbuch und Sprachmodell, wobei sich Fehler an jeder Modulgrenze aufsummieren. Beim End-to-End Learning optimiert ein gemeinsames Fehlermaß (Loss Function) sämtliche Netzwerkschichten direkt auf das Endergebnis hin, etwa von der rohen Audiospur eines Telefonats unmittelbar zum fertigen Gesprächstranskript oder von einem Dokumentenscan direkt in strukturierte Rechnungsfelder. Das vermeidet Informationsverluste zwischen Teilkomponenten, bringt aber zwei technische Einschränkungen mit sich: Das Gesamtnetz benötigt deutlich größere Mengen zusammenhängender Trainingspaare und lässt sich bei Fehlverhalten schwerer auf einen einzelnen Zwischenschritt hin prüfen als eine modulare Pipeline.