إذا تغير توزيع بياناتك، فاستخدم التعلم الذاتي

نُظهر أن تقنيات التعلم الذاتي مثل تقليل الانتروبيا وتسمية المُعلَّمات الوهمية بسيطة وفعّالة في تحسين أداء نموذج رؤية حاسوبية مُطبّق في ظل تغيرات نطاقية منهجية. قمنا بإجراء مجموعة واسعة من التجارب على نطاق كبير، وأظهرنا تحسينات ثابتة بغض النظر عن بنية النموذج أو تقنية التدريب المسبق أو نوع التحول في التوزيع. وفي الوقت نفسه، فإن التعلم الذاتي سهل الاستخدام في الممارسة العملية لأنه لا يتطلب معرفة أو وصولاً إلى بيانات التدريب الأصلية أو آلية التدريب، ويكون مقاوماً لاختيارات المعاملات الفائقة، وسهل التنفيذ، ويحتاج فقط إلى عدد قليل من دورات التكيّف. هذا يجعل تقنيات التعلم الذاتي جذابة للغاية لأي ممارس يطبّق خوارزميات التعلم الآلي في العالم الحقيقي. ونقدّم نتائج تكيّف من المستوى الرائد في مجموعات بيانات CIFAR10-C (8.5% خطأ)، ImageNet-C (22.0% mCE)، ImageNet-R (17.4% خطأ)، وImageNet-A (14.8% خطأ)، ونُجري دراسة نظرية لديناميكيات أساليب التكيّف ذاتيّاً، ونُقترح مجموعة بيانات تصنيف جديدة (ImageNet-D) تُعدّ تحدياً كبيراً حتى مع التكيّف.