CoDiM: التعلم مع التسميات الضوضائية من خلال التعلم شبه المراقب التبايني

الوسوم باهظة التكلفة وأحيانًا غير موثوقة. تُعدّ استراتيجيات التعلم بوسوم ضوضائية، والتعلم شبه المُعلَّم، والتعلم التبايني ثلاث طرق مختلفة لتصميم عمليات تعلّم تتطلب تكلفة أقل في التسمية. وقد أُظهر مؤخرًا أن التعلم شبه المُعلَّم والتعلم التبايني يُحسّنان استراتيجيات التعلّم التي تتعامل مع مجموعات بيانات تحتوي على وسوم ضوضائية. ومع ذلك، ما زالت العلاقات الداخلية بين هذه المجالات، فضلًا عن الإمكانات الكامنة في دمج قواها معًا، ما زالت في مراحلها الأولى من التطور. في هذه الورقة، نستكشف طرقًا وفوائد إضافية لدمج هذه الأساليب معًا. وبشكل خاص، نقترح خوارزمية CSSL (التعلم شبه المُعلَّم التبايني الموحّد)، ونقدّم خوارزمية جديدة تُسمّى CoDiM (Contrastive DivideMix) للتعلّم مع وسوم ضوضائية. تعتمد CSSL على قوة تقنيات التعلم شبه المُعلَّم التقليدي والتعلم التبايني، وتمّ تكييفها لاحقًا لتعمل مع CoDiM، التي تتعلم بشكل موثوق من أنواع متعددة ومستويات مختلفة من الضوضاء في الوسوم. ونُظهر أن CoDiM تُحقّق تحسينات مستمرة، وتُسجّل نتائج من الطراز الأول على عدة معايير معيارية.