التسمية الذاتية من خلال التجميع المتزامن والتعلم التمثيلي

يُعدّ دمج التجميع والتعلم التمثيلي أحد أكثر النهج واعدةً لتعلم الشبكات العصبية العميقة بدون توجيه. ومع ذلك، فإن تنفيذ هذا المزيج بشكل بسيط يؤدي إلى مشكلات تعلّم غير محددة جيدًا، مع حلول متدهورة. في هذا البحث، نقترح صيغة تعلّم جديدة ومقنعة تتناول هذه المشكلات. تُستمد الطريقة من خلال تكبير المعلومات بين التصنيفات وفهارس البيانات المدخلة. نُظهر أن هذا المعيار يوسع تقليل الانتروبيا المتقاطعة القياسية إلى مشكلة نقل مثلى، والتي نحلّها بكفاءة لآلاف الصور المدخلة وملايين العناصر التصنيفية باستخدام نسخة سريعة من خوارزمية سينكورن-كنوبي. تُتيح الطريقة الناتجة تسمية ذاتية للبيانات البصرية، بحيث يمكن تدريب تمثيلات صور عالية التنافسية دون الحاجة إلى تسميات يدوية. تحقق طريقة التعلّم هذه أداءً متميزًا على مستوى الحالة الحالية لشبكة AlexNet وResNet-50 على مجموعات بيانات SVHN وCIFAR-10 وCIFAR-100 وImageNet، وتحقق أول نموذج AlexNet ذاتي التعلم يتفوق على النموذج المُدرَّب بتوجيه في مهمة كشف الصور على مجموعة بيانات Pascal VOC. يتوفر الكود والنماذج.