تعلم التنويع للتوسع في مجال واحد

الترجمة:يهدف التعميم بين المجالات (DG) إلى تعميم نموذج تم تدريبه على عدة مجالات مصدرية (أي، مجالات التدريب) إلى مجال هدف توزيعي مختلف (أي، مجال الاختبار). بخلاف DG التقليدية التي تتطلب بشكل صارم توفر عدة مجالات مصدرية، يتناول هذا البحث سيناريو أكثر واقعية ومعقدًا، وهو التعميم من مجال واحد (Single-DG)، حيث يكون هناك مجال مصدر واحد فقط متاح للتدريب. في هذا السيناريو، قد يؤدي التنوع المحدود إلى إضعاف قدرة النموذج على التعميم في المجالات الهدف غير المرئية. لحل هذه المشكلة، نقترح وحدة مكملة للأسلوب لتعزيز قوة تعميم النموذج من خلال تركيب صور من توزيعات متنوعة ومكملة لتلك المصدرية. وبشكل أكثر تحديدًا، نعتمد حدًا علويًا قابلًا للحل لمعلومات المتبادل (MI) بين العينات المنتجة والمصدرية ونقوم بتحسين ذو خطوتين بشكل متكرر: (1) عن طريق تقليل تقدير الحد العلوي لمعلومات المتبادل لكل زوج من العينات، يتم دفع الصور المنتجة لأن تكون متنوعة عن العينات المصدرية؛ (2) بعد ذلك، نقوم بزيادة معلومات المتبادل بين العينات من نفس الفئة الدلالية، مما يساعد الشبكة على تعلم الخصائص التمييزية من الصور ذات الأسلوب المتنوع. أظهرت التجارب الواسعة على ثلاثة مجموعات بيانات معيارية فائقة أن أسلوبنا يتفوق على أفضل الأساليب الحالية في Single-DG بنسبة تصل إلى 25.14٪.الشرح:- "Domain generalization" تم ترجمتها إلى "التعميم بين المجالات" وهي المصطلح الأكثر شيوعاً في العربية.- "Single Domain Generalization" تم ترجمتها إلى "التعميم من مجال واحد".- "Mutual information" تم ترجمتها إلى "معلومات المتبادل"، وهو المصطلح المستخدم عادة في العربية.- "Benchmark datasets" تم ترجمتها إلى "مجموعات بيانات معيارية"، وهو المصطلح الأكثر استخداماً في العربية.- النسب والأرقام تم حفظها كما هي في النص الأصلي.- الجمل والعبارات تم تنظيمها لتكون أكثر طبيعية وسليمة بلغة العربية، مع الحفاظ على المعنى الأصلي للنص.