مُبَادِئ التعلّم المتعدّد للتحليل الصوري

نُطَوِّر خوارزميات التعلم التكراري من الدرجة الأولى المستقلة عن النموذج (بما في ذلك FOMAML وReptile) لتطبيقات التجزئة الصورية، ونقدّم معمارية شبكة عصبية جديدة مُصممة لتحقيق التعلم السريع، ونُسمّيها EfficientLab، كما نستخدِم تعريفًا رياضيًا دقيقًا لخطأ الاختبار في خوارزميات التعلم التكراري لتقليل الخطأ في المهام التي تقع خارج التوزيع التدريبي. ونُظهر نتائج متميزة على مجموعة بيانات FSS-1000 من خلال تدريب EfficientLab باستخدام FOMAML، واستخدام تحسين بايزي (Bayesian optimization) لاستنتاج القيم المثلى لمعامِلات الهيكل التكيفي عند الاختبار. كما نُنشئ مجموعة بيانات معيارية صغيرة، تُسمى FP-k، لدراسة تجريبية لأداء أنظمة التعلم التكراري في البيئات القائمة على عدد قليل من الأمثلة (few-shot) وعدد كبير من الأمثلة (many-shot). ونُظهر على مجموعة FP-k أن التهيئة المُتعلَّمة عبر التعلم التكراري تُقدّم قيمة في التجزئة الصورية الشائعة في حالات عدد قليل من الأمثلة، لكن أداءها يُعادل بسرعة أداء التعلم الناقل التقليدي، مع تساوي الأداء عند تجاوز 10 أمثلة مُعلَّمة. يُمكن الوصول إلى الكود، والنماذج المُتعلَّمة عبر التعلم التكراري، ومجموعة البيانات FP-k من خلال الرابط: https://github.com/ml4ai/mliis.