شبكات التطابق للتعلم بمرة واحدة

التعلم من أمثلة قليلة يظل تحديًا رئيسيًا في مجال التعلم الآلي. على الرغم من التقدم الحديث في مجالات مهمة مثل الرؤية واللغة، فإن النموذج القياسي للتعلم العميق تحت الإشراف لا يقدم حلًا مرضيًا لتعلم المفاهيم الجديدة بسرعة من بيانات قليلة. في هذا العمل، نستخدم أفكارًا مستمدة من التعلم القائم على المقاييس (metric learning) بناءً على الخصائص العصبية العميقة وآليات حديثة تزيد من قدرة الشبكات العصبية عبر إضافة ذاكرات خارجية. إطارنا يتعلم شبكة تربط بين مجموعة دعم صغيرة مصنفة ومثال غير مصنف إلى تصنيفه، مما يلغي الحاجة إلى التعديل الدقيق لتكييفها مع أنواع فئات جديدة. ثم نحدد مشكلات تعلم ذات تصويرة واحدة (one-shot learning) في مجال الرؤية (باستخدام Omniglot و ImageNet) وفي مهام اللغة. يحسن خوارزمياتنا دقة التعلم ذات التصويرة الواحدة على ImageNet من 87.6% إلى 93.2% ومن 88.0% إلى 93.8% على Omniglot مقارنة بالتقنيات المنافسة. كما نظهر فائدة نفس النموذج في نمذجة اللغة بإدخال مهمة تعلم ذات تصويرة واحدة على Penn Treebank.注释：- "Metric learning" 翻译为 "التعلم القائم على المقاييس"- "One-shot learning" 翻译为 "تعلم ذات تصويرة واحدة"- "Omniglot" 和 "ImageNet" 保留原名- "Penn Treebank" 保留原名