تقطيع الأمثلة الافتراضية للتعرف على التوزيع الطويل الذيل

نُعالج مشكلة التعرف البصري ذي التوزيع الطويل الذيل من منظور نقل المعرفة من خلال اقتراح طريقة تُسمى "نقل الأمثلة الافتراضية" (DiVE). بشكل محدد، وباعتبار تنبؤات نموذج المعلم كأمثلة افتراضية، نُثبت أن عملية نقل المعرفة من هذه الأمثلة الافتراضية تُعادل تعلم توزيع التسميات تحت قيود معينة. ونُظهر أن عندما يصبح توزيع الأمثلة الافتراضية أكثر تسطحًا مقارنةً بتوزيع المدخلات الأصلي، فإن الفئات التي تُعدّ ناقصة التمثيل في الذيل ستُسجّل تحسينات كبيرة، وهو ما يُعدّ أمرًا بالغ الأهمية في التعرف على التوزيعات الطويلة الذيل. وتمكّن الطريقة المقترحة من ضبط توزيع الأمثلة الافتراضية بشكل صريح ليصبح أكثر تسطحًا. وقد أثبتت التجارب الواسعة على ثلاث مجموعات بيانات معيارية، بما في ذلك مجموعة iNaturalist الضخمة، أن طريقة DiVE المقترحة تتفوّق بشكل ملحوظ على الطرق الرائدة في المجال. علاوةً على ذلك، تُعزز التحليلات الإضافية والتجارب التفسيرية للأمثلة الافتراضية، وتكشف عن فعالية التصاميم المخصصة في DiVE في معالجة المشكلات ذات التوزيع الطويل الذيل.