الانفصال التغيري للميزات لتصنيف قائم على عدد قليل من الأمثلة بدقة عالية

تُعاني التعرف الدقيق على عدد قليل من الأمثلة غالبًا من مشكلة نقص بيانات التدريب للفئات الجديدة. فبسبب قلة بيانات التدريب، يميل الشبكة إلى التكيف الزائد (overfitting) ولا تُظهر أداءً جيدًا في التعميم على الفئات غير المرئية. وقد تم اقتراح العديد من الطرق لتصنيع بيانات إضافية لدعم التدريب. في هذه الورقة، نركّز على زيادة التباين الداخلي للصفة غير المرئية بهدف تحسين أداء التصنيف في حالات عدد قليل من الأمثلة. نفترض أن توزيع التباين الداخلي للصفة يُعمّم عبر الفئة الأساسية والصفة الجديدة. وبالتالي، يمكن نقل التباين الداخلي للمجموعة الأساسية إلى المجموعة الجديدة لتعزيز الميزات. بشكل محدد، نقوم أولًا بتمثيل توزيع التباين الداخلي على المجموعة الأساسية باستخدام الاستدلال التغيري (variational inference). ثم نُحوّل التوزيع المُتعلّم إلى المجموعة الجديدة لتصنيع ميزات إضافية، والتي تُستخدم مع الميزات الأصلية لتدريب تصنيفية. أظهرت النتائج التجريبية تحسنًا ملحوظًا مقارنةً بالطرق الرائدة في المجال على معايير التصنيف الصوتي الدقيق لعدد قليل من الأمثلة التي تُعدّ صعبة.