التعلم بكمية قليلة من البيانات مع انتشار على نطاق واسع

يتناول هذا البحث مشكلة استنتاج تسميات الصور من الصور عندما تكون عدد الأمثلة المصحوبة بالتعليقات محدودًا أثناء التدريب. يُشار إلى هذا الإعداد غالبًا باسم التعلم بقليل من الأمثلة (low-shot learning)، حيث أن النهج القياسي هو إعادة تدريب الطبقات الأخيرة لشبكة عصبية تلافيفية تم تعلمها على فئات منفصلة لديها أمثلة تدريبية وفيرة. نحن ندرس إعدادًا شبه مشرف يستند إلى مجموعة كبيرة من الصور لدعم انتشار التسميات. يمكن تحقيق ذلك من خلال الاستفادة من التقدم الحديث في بناء الرسوم البيانية للتشابه على نطاق واسع.نظهر أنه رغم بساطته المفاهيمية، فإن توسيع نطاق انتشار التسميات ليشمل مئات الملايين من الصور يؤدي إلى دقة غير مسبوقة في نظام التعلم بقليل من الأمثلة (low-shot learning).