التحسين الضمني الشرطي الكامن عند التعلم من عينات صغيرة

نعيد النظر في المشكلة القديمة المتمثلة في التعلم من عينات صغيرة، ولهذا الغرض نقترح طريقة جديدة تُسمى GLICO (التحسين الضمني الشرطي الخفي الجينراتيفي Generative Latent Implicit Conditional Optimization). تقوم GLICO بتعلم خريطة من أمثلة التدريب إلى فضاء خفي وجينراتور يولد صورًا من متجهات في هذا الفضاء الخفي. على عكس معظم الأعمال الحديثة التي تعتمد على الوصول إلى كميات كبيرة من البيانات غير المصنفة، لا تتطلب GLICO الوصول إلى أي بيانات إضافية سوى مجموعة صغيرة من النقاط المصنفة. في الواقع، تتعلم GLICO كيفية تركيب عينات جديدة تمامًا لكل فئة باستخدام ما يصل إلى 5 أو 10 أمثلة لكل فئة، وبما لا يقل عن 10 فئات دون فرض أي سابقة احتمالية. ثم يتم استخدام GLICO لتوسيع مجموعة التدريب الصغيرة أثناء تدريب تصنيف على العينة الصغيرة. لهذا الغرض، تقوم الطريقة المقترحة بتقديم عينات من الفضاء الخفي الذي تم تعلمه باستخدام التقنين الكروي، وتوليد أمثلة جديدة باستخدام الجينراتور المدرب. تظهر النتائج التجريبية أن مجموعة العينات الجديدة كافية في تنوعها، مما يؤدي إلى تحسين تصنيف الصور مقارنة بأحدث الطرق عند التدريب على عينات صغيرة مستخرجة من CIFAR-10 وCIFAR-100 وCUB-200.