إعادة النظر في التعلم التلقائي عبر خصائص مهام القليل من الإطارات

أصبح التعلم الميتا (meta-learning) نهجًا عمليًا للتصنيف الصوري قليل الإطارات، حيث يتم تعلم "استراتيجية لتعلم تصنيف" على فئات أساسية مصنفة وتطبيقها على مهام تتضمن فئات جديدة. نحن نزيل متطلب تسمية الفئات الأساسية ونتعلم تمثيلات قابلة للتعميم عبر التعلم الميتا غير المنظور (UML). بصفة خاصة، يتم بناء حلقات من المهام باستخدام تحسينات البيانات من الفئات الأساسية غير المصنفة أثناء التدريب الميتا، ونقوم بتطبيق تصنيفات مستندة إلى التمثيل على مهام جديدة تحتوي على أمثلة قليلة مصنفة أثناء الاختبار الميتا. لقد لاحظنا أن عنصرين يلعبان دورًا مهمًا في UML، وهما طريقة اختيار المهام وقياس الشبه بين الحالات. وبالتالي، حصلنا على خط أساس قوي مع تعديلين بسيطين -- استراتيجية كافية لاختيار المهام تقوم ببناء عدة مهام بكفاءة في كل حلقة مع شبه شبه طبيعي. ثم نستفيد من خصائص المهام في اتجاهين للحصول على تحسينات إضافية. أولاً، يتم دمج حالات مشوشة مركبة لمساعدة في استخراج تمثيلات أكثر تمييزًا. ثانيًا، نستخدم تحويل تمثيلي خاص بالمهام كمكون مساعد إضافي أثناء التدريب الميتا لتعزيز قدرة التعميم للتمثيلات التي تم تنقيتها مسبقًا. تؤكد التجارب على مقاييس أداء التعلم قليل الإطارات أن نهجتنا تتفوق على الطرق السابقة لـ UML وتحقق أداءً مكافئًا أو حتى أفضل من نسخها المنظورة.