التعلم القليل الممتد: استغلال الموارد الحالية للمهام الجديدة

في العديد من المشكلات العملية المتعلّقة بالتعلم القليل (few-shot learning)، وبالرغم من ندرة الأمثلة المُعلّمة، توجد كميات كبيرة من المجموعات المساعدة (auxiliary datasets) التي قد تحتوي على معلومات مفيدة. نقترح دراسة مشكلة التعلم القليل الموسّع (extended few-shot learning) لتحليل هذه السيناريوهات. ثم نقدّم إطارًا لمعالجة التحديات المتعلقة باختيار البيانات المساعدة بشكل فعّال واستخدامها بكفاءة في تصنيف الصور القليلة. مع إعطاء مجموعة بيانات مساعدة كبيرة ومفهوم التشابه الدلالي (semantic similarity) بين الفئات، نقوم باختيار "أمثلة وهمية" (pseudo shots) تلقائيًا، وهي أمثلة مُعلّمة من فئات أخرى مرتبطة بالمهمة المستهدفة. نُظهر أن النُهج البسيطة، مثل (1) نمذجة هذه الأمثلة الإضافية بنفس الطريقة التي تُنمذج بها أمثلة المهمة المستهدفة، أو (2) استخدامها لتعلم الميزات عبر التعلم الناقل (transfer learning)، تزيد الدقة فقط بقدر محدود. بدلًا من ذلك، نقترح وحدة تمويه (masking module) تُعدّل الميزات الخاصة بالبيانات المساعدة لجعلها أكثر تشابهًا مع ميزات الفئات المستهدفة. ونُظهر أن وحدة التمويه هذه تتفوّق على النُهج البسيطة في نمذجة أمثلة الدعم والتعلم الناقل بنسبة 4.68 و6.03 نقطة مئوية على التوالي.