بناء التعلم شبه المراقب لمرة واحدة (BOSS) حتى تحقيق الأداء الكامل المراقب

تحقيق أداء التعلم المراقب بالكامل باستخدام بيانات غير مُعلَّمة وتصنيف عينة واحدة فقط لكل فئة قد يكون مثاليًا لتطبيقات التعلم العميق. نُظهر لأول مرة الإمكانية في بناء تعلم شبه مراقب بعينة واحدة (BOSS) على بيانات CIFAR-10 وSVHN، بحيث تصل دقة الاختبار إلى مستويات تُقارَن بأداء التعلم المراقب بالكامل. تعتمد طريقةنا على دمج تحسين نماذج الفئات (class prototype refining)، وموازنة الفئات (class balancing)، والتدريب الذاتي (self-training). يُعد اختيار نموذج جيد أمرًا بالغ الأهمية، ولهذا نقترح تقنية لاستخلاص أمثلة تمثيلية (iconic examples). بالإضافة إلى ذلك، نُظهر أن أساليب موازنة الفئات تُحسِّن بشكل كبير دقة النتائج في التعلم شبه المراقب، إلى درجة تُمكِّن التدريب الذاتي من تحقيق أداء يُعادل أداء التعلم المراقب بالكامل. توفر التقييمات التجريبية الدقيقة دليلًا قويًا على أن تصنيف مجموعات بيانات كبيرة ليس ضروريًا لتدريب الشبكات العصبية العميقة. وقد أتاحنا رمز البرمجة الخاص بنا على الرابط https://github.com/lnsmith54/BOSS لتسهيل إعادة التكرار وتمكين الاستخدام في تطبيقات واقعية مستقبلية.