التعلم اللاحق التكيفي: التعلم بقليل من العينات باستخدام وحدة ذاكرة تعتمد على عنصر المفاجأة

القدرة على التعميم بسرعة من عدد قليل من الملاحظات هي أمر حاسم لأنظمة الذكاء. في هذا البحث، نقدم APL (Algorithm for Probabilistic Learning)، وهو خوارزمية تقترب من التوزيعات الاحتمالية عن طريق تذكر أكثر الملاحظات التي واجهتها مفاجأة. يتم استرجاع هذه الملاحظات السابقة من وحدة ذاكرة خارجية ومعالجتها بواسطة شبكة فك التشفير التي يمكنها دمج المعلومات من مواقع ذاكرة مختلفة للقيام بالتعميم ما وراء الاسترجاع المباشر. نوضح أن هذا الخوارزمية يمكن أن يحقق أداءً مماثلاً لأفضل النماذج الأساسية في مقاييس تصنيف القليل من العينات مع بصمة ذاكرة أصغر. بالإضافة إلى ذلك، فإن ضغط الذاكرة الخاص به يسمح له بالتوسع إلى آلاف العلامات غير المعروفة. وأخيرًا، نقدم مهمة استدلال ذات تعلم متقدم والتي تكون أكثر تحديًا من التصنيف المباشر. في هذا الإعداد، يكون APL قادرًا على التعميم بعينة أقل من عينة واحدة لكل فئة عبر الاستدلال الاستنتاجي.