التفريق التضادّي العام للنطاقات مع التحقق المتقاطع القائم على التعلم الوظيفي

إن قدرة النماذج التعلمية الآلية على التعميم، والتي تشير إلى قدرة النموذج على تعميم المعرفة لمنطقة "غير مرئية" من خلال التعلّم من منطقة أو مناطق مرئية واحدة أو أكثر، تُعدّ أمرًا بالغ الأهمية لتطوير وتنفيذ تطبيقات التعلم الآلي في الظروف الواقعية. تهدف تقنيات التعميم الطوائفية (Domain Generalization - DG) إلى تعزيز هذه القدرة على التعميم، حيث يُعدّ التمثيل المميز للسمات (feature representation) والفصل (classifier) عاملين جوهريين لتحسين التعميم واتخاذ القرارات. في هذا البحث، نقترح نموذج التعميم الطوائفية المُضاد التمييزي (Discriminative Adversarial Domain Generalization - DADG) القائم على التعلم التلادوي (meta-learning) للفحص عبر المجالات. يتكون الإطار المقترح من مكوّنين رئيسيين يعملان بشكل تآزري لبناء نموذج شبكي عصبي عميق (DNN) عامًا للطوائف: (أ) التعلّم المُضاد التمييزي التفاعلي، الذي يتعلّم بشكل استباقي تمثيلًا مميزًا للسمات عامًا على عدة مجالات مرئية؛ و(ب) الفحص عبر المجالات القائم على التعلم التلادوي، الذي يُحاكي تغيرات التدريب والاختبار عبر المجالات من خلال تطبيق تقنيات التعلم التلادوي أثناء عملية التدريب. في التقييم التجريبي، أُجريت مقارنة شاملة بين النهج المقترح والنهوج الأخرى الموجودة على ثلاث مجموعات بيانات معيارية. وقد أظهرت النتائج أن DADG يتفوّق بشكل مستمر على النموذج الأساسي القوي DeepAll، كما يتفوّق على خوارزميات التعميم الطوائفية الأخرى في معظم حالات التقييم.