MetaFun: التعلم التكراري مع التحديثات الوظيفية المتكررة

نُطور نهجًا وظيفيًا يعتمد على الترميز والفك، يُطبَّق في التعلم التلقائي المُوجَّه، حيث يتم ترميز البيانات المُعلَّمة إلى تمثيل وظيفي ذي أبعاد غير منتهية، بدلًا من تمثيل ذي أبعاد منتهية. علاوةً على ذلك، بدلًا من إنتاج هذا التمثيل مباشرة، نتعلم قاعدة تحديث عصبية تشبه الانحدار الوظيفي، والتي تُحسِّن التمثيل تدريجيًا عبر تكرارات متعددة. ويُستخدم التمثيل النهائي لتوجيه المشفر (الديكودر) لإجراء تنبؤات على البيانات غير المُعلَّمة. يُعد هذا النهج الأول الذي يُظهر نجاح أساليب التعلم التلقائي من نوع الترميز-الفك، مثل العمليات العصبية الشرطية، في معايير تصنيف قليلة العينات على نطاق واسع مثل miniImageNet وtieredImageNet، حيث يحقق أداءً متميزًا على مستوى الحد الأقصى في المجال.