النماذج القابلة للتدريب للتعلم بقليل من البيانات

التعلم القياسي هو طريقة شائعة الاستخدام في التعلم بقليل من العينات، حيث يلعب جودة النماذج دورًا حاسمًا في الخوارزمية. في هذا البحث، نقترح استخدام نماذج قابلة للتدريب لقياس المسافة بدلاً من النماذج الصناعية ضمن إطار التدريب الميتا (meta-training) والتدريب المهمة (task-training). كما为了避免情节元训练带来的缺点，我们采用了基于自监督学习的非情节元训练。总的来说，我们通过两个阶段解决少样本任务：首先通过自监督学习进行可迁移特征提取器的元训练，然后对用于度量分类的原型进行训练。此外，在元训练和任务训练中均使用了简单的注意力机制。我们的方法在标准少样本视觉分类数据集上的一系列已建立的少样本任务中实现了最先进的性能，与现有的无监督少样本学习方法相比，性能提高了约20%。请注意，上述翻译中的“为了避免情节元训练带来的缺点，我们采用了基于自监督学习的非情节元训练”部分可能需要进一步调整以更好地适应阿拉伯语表达习惯：كما为了避免情节元训练带来的缺点（لتجنب عيوب التدريب الميتا القصصي），我们采用了基于自监督学习的非情节元训练（اعتمدنا على التدريب الميتا غير القصصي المستند إلى التعلم الذاتي الإشرافي）.优化后的翻译如下：التعلم القياسي هو طريقة شائعة الاستخدام في التعلم بقليل من العينات، حيث تلعب جودة النماذج دورًا حاسمًا في الخوارزمية. في هذا البحث، نقترح استخدام نماذج قابلة للتدريب لقياس المسافة بدلاً من النماذج الصناعية ضمن إطار التدريب الميتا والتدريب المهمة. كما لتجنب عيوب التدريب الميتا القصصي، اعتمدنا على التدريب الميتا غير القصصي المستند إلى التعلم الذاتي الإشرافي. بشكل عام، نحل مشكلات التعلم بقليل من العينات عبر مرحلتين: تدريب مُستخلِّص خواص قابل للنقل عبر التعلم الذاتي الإشرافي وتدريب النماذج لتصنيف القياس. بالإضافة إلى ذلك، تم استخدام آلية الانتباه البسيطة في كل من التدريب الميتا والتدريب المهمة. حققت طريقتنا أداءً رائدًا في مجموعة متنوعة من مهمات التعلم بقليل من العينات المعروفة على مجموعة البيانات المرجعية للتصنيف البصري بقليل من العينات، مع زيادة بنسبة حوالي 20٪ مقارنة بالطرق المتاحة للتعلم بقليل من العينات دون إشراف.为了确保专业术语的准确性，以下是部分术语的具体翻译：- Metric learning: التعلم القياسي- Few shot learning: التعلم بقليل من العينات- Prototypes: النماذج- Meta-training: التدريب الميتا- Task-training: التدريب المهمة- Self-supervised learning: التعلم الذاتي الإشرافي- Feature extractor: مستخلِّص الخواص- Attention mechanism: آلية الانتباه- State-of-the-art performance: أداء رائد