يُعد TiC-DataComp مجموعة بيانات صدرت عن شركة Apple في عام 2024، وهي مخصصة لاختبار التعلم المستمر زمنيًا (Time-Continual Learning, TiC) لنماذج اللغة والرؤية. تستند إلى ورقة البحث «TiC-CLIP: Continual Training of CLIP Models»، وتهدف إلى معالجة التكلفة المرتفعة لتحديث النماذج الأساسية باستمرار، من خلال توفير بيانات زمنية ضخمة لتقييم وتحسين متانة النماذج عبر الزمن.

تحتوي مجموعة البيانات على أكثر من 12.7 مليار زوج من الصور والنصوص مع طوابع زمنية، تمتد من عام 2014 إلى عام 2022، وقد استُمدت من مصدر البيانات CommonCrawl.

يمكن للباحثين استخدام هذه المجموعة لتصميم وتقييم طرق التعلم المستمر زمنيًا لنماذج الصور والنصوص الضخمة، وقياس متانة النماذج الحالية عبر الزمن من خلال التقييم الديناميكي، بالإضافة إلى التحقق من فعالية استراتيجيات التدريب القائمة على إعادة التشغيل (replay) في تقليل استهلاك موارد الحوسبة.

هيكل مجموعة البيانات

تتضمن مجموعة البيانات بشكل أساسي الهياكل التالية للتدريب والتقييم على مستويات زمنية مختلفة:

• بيانات التدريب الشهرية: tic-datacomp_training_monthly/.npy، وتتضمن قائمة المعرفات الفريدة (UID) لكل شهر.
• بيانات التدريب السنوية: tic-datacomp_training_yearly_noeval/.npy، وتتضمن قائمة المعرفات الفريدة (UID) لكل سنة بعد إزالة مجموعة التقييم السنوية.
• بيانات تقييم الاسترجاع: tic-datacomp_retrieval_evals_year2uids، وتتضمن المعرفات الفريدة (UID) لكل سنة في مهام التقييم TiC-DataComp-Retrieval.
• بيانات تقييم Net: tic-datacompnet_year2uids، وتتضمن المعرفات الفريدة (UID) لكل سنة في مهام التقييم TiC-DataCompNet.

الاستشهاد المرجعي

@inproceedings{garg2024tic,
  title={TiC-CLIP: Continual Training of CLIP Models},
  author={Garg, Saurabh and Farajtabar, Mehrdad and Pouransari, Hadi and Vemulapalli, Raviteja and Mehta, Sachin and Tuzel, Oncel and Shankar, Vaishaal and Faghri, Fartash},
  booktitle={The Twelfth International Conference on Learning Representations (ICLR)},
  year={2024},
  url={https://openreview.net/forum?id=TLADT8Wrhn}
}