LEEP: مقياس جديد لتقييم قابلية نقل التمثيلات المُتعلمة

نقدم مقياسًا جديدًا لتقييم قابلية نقل التمثيلات التي يتعلمها المصنفات. مقياسنا، وهو التوقع اللوغاريتمي للتنبؤ التجريبي (LEEP)، بسيط وسهل الحساب: عند إعطائه مصنفًا تم تدريبه على مجموعة بيانات مصدر، يتطلب فقط تشغيل مجموعة البيانات الهدف مرة واحدة من خلال هذا المصنف. نحلل خصائص LEEP نظريًا ونبين فعاليته تجريبيًا. تظهر تحليلاتنا أن LEEP يمكنه التنبؤ بأداء وسرعة التقارب لطرق النقل والنقل الميتا، حتى بالنسبة للمجموعات الصغيرة أو غير المتوازنة من البيانات. علاوة على ذلك، يتفوق LEEP على مقاييس القابلية للنقل المقترحة حديثًا مثل嫡负条件熵 (negative conditional entropy) ونقاط H (H scores). بشكل ملحوظ، عند النقل من ImageNet إلى CIFAR100، يمكن لLEEP تحقيق تحسن بنسبة تصل إلى 30٪ مقارنة بأفضل طريقة تنافسية من حيث الارتباط بدقة النقل الفعلية.注：在上述翻译中，“负条件熵”和“H分数”是较为少见的技术术语，因此在阿拉伯语译文中保留了英文标注。同时，“ImageNet”和“CIFAR100”作为知名的数据集名称，直接采用了英文形式。