تكميل النقص في التمثيل في التصنيف القليل الصور: نهج تعليم ميتا

التعلم القليل العينات (Few-shot learning) يُعد مشكلة صعبة جذبت اهتمامًا متزايدًا مؤخرًا، نظرًا لصعوبة الحصول على عينات تدريب وفيرة في التطبيقات العملية. وقد تم اقتراح التعلم الميتا (Meta-learning) لمعالجة هذه المشكلة، حيث يركّز على التكيف السريع ل Predictor كمتعلم أساسي (base-learner) مع مهام جديدة، بالاعتماد على عدد محدود من العينات المُعلَّمة. ومع ذلك، يمثل التحدي الجوهري في التعلم الميتا هو نقص التمثيل (representation deficiency)، نظرًا لصعوبة اكتشاف المعلومات المشتركة من عدد قليل جدًا من عينات التدريب، بل وحتى من عينة واحدة، خصوصًا في تمثيل الميزات الأساسية من معلومات محدودة جدًا. ونتيجة لذلك، لا يمكن تدريب متعلم ميتا بشكل فعّال في فضاء بارامترات عالي الأبعاد، مما يعيق قدرته على التعميم على مهام جديدة. تلجأ الطرق الحالية في الغالب إلى استخلاص ميزات أقل تعبيرًا، بهدف تجنب مشكلة نقص التمثيل. وبدلاً من ذلك، نقترح في هذا العمل نموذجًا للتعلم الميتا يعتمد على شبكة تمثيل مكملة (MCRNet) لتحسين تمثيل البيانات في تصنيف الصور القليلة العينات. وبشكل خاص، نُدمج فضاءً خفيًا (latent space)، حيث يتم إعادة بناء الرموز الخفية باستخدام معلومات تمثيل إضافية، بهدف تعويض نقص التمثيل. علاوةً على ذلك، يُبنى هذا الفضاء الخفي باستخدام الاستدلال التغيري (variational inference)، مما يتيح تعاونًا فعّالًا مع مختلف المتعلمين الأساسيين، ويُمكن توسيعه ليناسب نماذج أخرى. وأخيرًا، يحقق إطارنا المتكامل (end-to-end) أداءً متقدمًا على مستوى الحد الأقصى (state-of-the-art) في تصنيف الصور على ثلاث مجموعات بيانات قياسية للتعلم القليل العينات.