استنتاج مصداقية المثيل للتعلم القليل

يهدف التعلم بعينات قليلة (Few-shot Learning - FSL) إلى التعرف على كائنات جديدة باستخدام كميات ضئيلة جدًا من البيانات التدريبية لكل فئة. سبق أن بذلت جهود سابقة من خلال الاستفادة من منهجية التعلم التلخيصي (meta-learning) أو مبادئ جديدة في تكبير البيانات (data augmentation) لتخفيف هذه المشكلة الشديدة النقص في البيانات. على العكس، تقدم هذه الورقة منهجية إحصائية بسيطة تُسمى استدلال المصداقية الفردية (Instance Credibility Inference - ICI)، لاستغلال الدعم التوزيعي للعينات غير المصنفة في سياق التعلم بعينات قليلة. بشكل مفصل، نبدأ بتدريب فاصل خطي باستخدام الأمثلة المصنفة من التعلم بعينات قليلة، ثم نستخدم هذا الفاصل لاستنتاج العلامات الوهمية (pseudo-labels) للبيانات غير المصنفة. ولقياس مصداقية كل عينة مُعلَّمة وهميًا، نقترح حلّ فرضية انحدار خطي آخر من خلال زيادة ندرة المعاملات العرضية (incidental parameters)، ونصنف العينات المُعلَّمة وهميًا بناءً على درجة ندرتها. ثم نختار العينات المُعلَّمة وهميًا الأكثر موثوقية، جنبًا إلى جنب مع الأمثلة المصنفة، لإعادة تدريب الفاصل الخطي. وتُكرر هذه العملية حتى تُضَم جميع العينات غير المصنفة إلى مجموعة التدريب الموسعة، أي حتى يتحقق التقارب في العلامات الوهمية بالنسبة لمجموعة العينات غير المصنفة. أظهرت التجارب الواسعة في بيئة التعلم بعينات قليلة المزدوجة أن منهجيتنا البسيطة تمكّنت من تحقيق أداءً جديدًا على مستوى الحد الأقصى (state-of-the-art) على أربع قواعد بيانات شهيرة لاختبار التعلم بعينات قليلة، تشمل miniImageNet وtieredImageNet وCIFAR-FS وCUB. يُمكن الوصول إلى الكود الخاص بنا عبر الرابط التالي: https://github.com/Yikai-Wang/ICI-FSL