DABS: معيار عالمي غير مخصص لمجال معين للتعلم ذاتي التحصيل

أدى تطوير خوارزميات التعلم ذاتي التوجيه، مثل BERT وSimCLR، إلى تقدم كبير في مجالات مثل معالجة اللغة الطبيعية، الرؤية الحاسوبية، ومعالجة الصوت. ومع ذلك، فإن هذه الخوارزميات محددة حسب المجال، ما يعني أن خوارزميات جديدة يجب تطويرها لكل بيئة جديدة، بما في ذلك مجالات متعددة في الرعاية الصحية، والعلوم، والبيانات متعددة الوسائط. ولتعزيز التقدم نحو طرق لا تعتمد على المجال، نقدّم DABS: معيار تقييم عام لا يعتمد على المجال للتعلم ذاتي التوجيه. لكي يحقق أداءً جيدًا في DABS، يتم تقييم الخوارزمية على سبعة مجالات متنوعة: الصور الطبيعية، بيانات الاستشعار متعددة القنوات، النص الإنجليزي، تسجيلات الصوت، النصوص متعددة اللغات، الأشعة السينية للصدر، والصور المصحوبة بوصف نصي. يحتوي كل مجال على مجموعة بيانات غير مُعلّمة لمرحلة التدريب المسبق؛ ثم يُقيّم النموذج بناءً على أدائه في المهام المُعلّمة اللاحقة ضمن ذلك المجال. كما نقدّم أيضًا خوارزميتي معيار أولية: e-Mix وShED؛ وتُظهر أداءهما المحدود نسبيًا أن هناك حاجة إلى تقدم كبير قبل أن يصبح التعلم ذاتي التوجيه حلاً جاهزًا للتطبيق في أي مجال عشوائي. يمكن الوصول إلى الكود الخاص بمجموعات بيانات المعيار والخوارزميات المعيارية من خلال الرابط: https://github.com/alextamkin/dabs.