الاستيفاء القائم على الرسوم البيانية للمتجهات المميزة للتصنيف الدقيق القائم على عدد قليل من الأمثلة

في تصنيف القليل من الأمثلة (few-shot classification)، يكون الهدف هو تعلُّم نماذج قادرة على التمييز بين الفئات باستخدام عدد قليل جدًا من الأمثلة المُعلَّمة. وفي هذا السياق، اقترح باحثون إدخال الشبكات العصبية الرسومية (Graph Neural Networks - GNNs) بهدف استغلال المعلومات المحتواة في العينات الأخرى التي تُعالج بالتوازي، وهي حالة تُعرف غالبًا بـ "البيئة التحويلية" (transductive setting) في الأدبيات العلمية. وتُدرَّب هذه الشبكات العصبية الرسومية معًا مع مُستخرج الميزات الأساسي (backbone feature extractor). في هذا البحث، نُقدّم طريقة جديدة تعتمد فقط على الرسوم البيانية لاستيفاء متجهات الميزات (interpolate feature vectors)، مما يؤدي إلى بيئة تعلُّم تحويلية دون الحاجة إلى إضافة معلمات إضافية للتدريب. وبالتالي، تستفيد الطريقة المقترحة من مستويين من المعلومات: أ) الميزات المنقولة المستمدة من مجموعات بيانات عامة، و ب) المعلومات التحويلية المستمدة من العينات الأخرى التي يتم تصنيفها. وباستخدام مجموعات بيانات قياسية لتصنيف الرؤية في السياق القليل من الأمثلة، نُظهر قدرتها على تحقيق مكاسب كبيرة مقارنةً بالأساليب الأخرى.