رسم المسار الصحيح: مزيج ال 다양يات لتعلم القليل من العينات

خوارزميات التعلم القليل (Few-shot learning) تهدف إلى تعلم معلمات النموذج القادرة على التكيف مع فئات غير مرئية بمساعدة عدد قليل من الأمثلة المصنفة. تقنية تنظيم حديثة - Manifold Mixup (مزيج متعدد الأسطح) تركز على تعلم تمثيل عام مقاوم للتغيرات الصغيرة في توزيع البيانات. نظرًا لأن هدف التعلم القليل يرتبط ارتباطًا وثيقًا بتعلم التمثيلات المتينة، فقد درسنا Manifold Mixup في هذا الإطار. التعلم الذاتي هو تقنية أخرى تتعلم الخصائص ذات المعنى الدلالي باستخدام فقط البنية الذاتية للبيانات. يعمل هذا البحث على دراسة دور تعلم متعدد الأسطح ذي صلة بالخصائص لمهام التعلم القليل باستخدام تقنيات التعلم الذاتي والتنظيم. نلاحظ أن تنظيم متعدد الأسطح، الذي يتم غنيه عبر تقنيات التعلم الذاتي، باستخدام Manifold Mixup يحسن بشكل كبير أداء التعلم القليل. نوضح أن طريقة S2M2 المقترحة لدينا تتفوق على دقة الحالة الحالية الأكثر تقدمًا في مجموعات بيانات التعلم القليل القياسية مثل CIFAR-FS، CUB، mini-ImageNet و tiered-ImageNet بنسبة 3-8٪. من خلال التجارب الواسعة، نوضح أن الخصائص التي تم تعلمها باستخدام نهجنا تتعمم إلى مهام تقييم معقدة للتعلم القليل، سيناريوهات عبر المجالات وتكون مقاومة للتغيرات الطفيفة في توزيع البيانات.