طريقة الاضطراب المتزامن لتحسين الأوزان متعددة المهام في التعلم الميتا لمرة واحدة

تهدف طرق التعلم التلقائي (Meta-learning) إلى بناء خوارزميات تعلم قادرة على التكيف بسرعة مع مهام جديدة في بيئات البيانات المحدودة. ومن أصعب المعايير تقييمًا لهذه الخوارزميات مشكلة التعلم في حالة واحدة (one-shot learning). في هذا السياق، يواجه العديد من الخوارزميات عدم اليقين الناتج عن كمية محدودة من العينات التدريبية، مما قد يؤدي إلى التعلم الزائد (overfitting). ويمكن التغلب على هذه المشكلة من خلال توفير معلومات إضافية للنموذج. إحدى أكثر الطرق فعالية لتحقيق ذلك هي التعلم متعدد المهام (Multi-task learning). في هذا البحث، نستعرض تعديلًا على مسار التعلم التلقائي القياسي. ويستخدم النهج المقترح بشكل متزامن معلومات من عدة مهام تدريبية تلقائية ضمن دالة خسارة مشتركة، حيث يتم التحكم في تأثير كل مهمة في دالة الخسارة من خلال معامل مخصص لكل مهمة. وله أثر كبير على عملية التدريب وجودة النموذج النهائي، إن تم تحسين هذه المعاملات بشكل مناسب. نقترح وندرس استخدام طرق من عائلة التقريب العشوائي المتزامن (Simultaneous Perturbation Stochastic Approximation - SPSA) لتحسين معاملات المهام متعددة. كما نُظهر تفوق التقريب العشوائي مقارنة بالطرق القائمة على التدرج (gradient-based). ويمكن تطبيق التعديل متعدد المهام المقترح على معظم خوارزميات التعلم التلقائي. وقد قمنا بدراسة تطبيقات هذا التعديل على خوارزميتي Model-Agnostic Meta-Learning وPrototypical Network على معايير التعلم في حالة واحدة (one-shot learning) الخاصة بـ CIFAR-FS، FC100، miniImageNet وtieredImageNet. وأظهر التعديل متعدد المهام خلال هذه التجارب تحسينًا ملحوظًا مقارنة بالأساليب الأصلية. كما أظهر خوارزمية SPSA-Tracking، التي تم تكييفها لأول مرة في هذا البحث لتحسين معاملات المهام متعددة، أعلى قفزة في الدقة، وهي تنافس أفضل الطرق الحالية في التعلم التلقائي. ونُعلن عن توفر الشفرة البرمجية الخاصة بنا على الإنترنت.