CATCH: التعلم التعزيزي الميتا القائم على السياق للبحث القابل للنقل عن الهياكل

حققت بحوث بنية الشبكات العصبية (NAS) تقدماً ملحوظاً في السنوات الأخيرة. وعلى الرغم من التقدم الكبير الذي أحرزته، تظل العديد من الخوارزميات محدودة بمساحات بحث معينة، كما تعاني من غياب آليات فعالة لإعادة استخدام المعرفة عند مواجهة مهام متعددة. وتُعد هذه التحديات عائقاً أمام تطبيقها العملي، مما يدفعنا إلى اقتراح CATCH، وهي خوارزمية جديدة تعتمد على التعلم التلادوي القائم على السياق (Context-bAsed meTa reinforcement learning) لبحث البنية القابلة للنقل. يتيح دمج التعلم التلادوي مع التعلم بالتعزيز (RL) لـ CATCH القدرة على التكيف بكفاءة مع المهام الجديدة، مع بقاء الخوارزمية غير متأثرة بمساحة البحث. تعتمد CATCH على مُشفر احتمالي لترميز خصائص المهمة إلى متغيرات سياقية مخفية، والتي بدورها توجه مُتحكم CATCH لاستخلاص الشبكات الأفضل بسرعة. كما تساعد هذه السياقات مُقيّم الشبكة على استبعاد المرشحات الضعيفة وتسريع عملية التعلّم. تُظهر التجارب الواسعة كفاءة CATCH العالية وتنوعها في المقارنة مع العديد من الخوارزميات المعروفة على نطاق واسع. كما تُظهر قدرتها على التعامل مع بحث البنية عبر المجالات المختلفة، حيث تم التعرف على شبكات تنافسية على مجموعات بيانات ImageNet وCOCO وCityscapes. هذه أول دراسة على ما نعلم تقدم حلاً فعالاً لـ NAS القابلة للنقل مع الحفاظ على المتانة في مختلف البيئات.