تخيّل بالاستدلال: تكثيف بيانات ضمني يستند إلى الاستدلال لتصنيف الطبقات الطويلة

تتبع البيانات الواقعية غالبًا توزيعًا طويل الذيل، مما يؤدي إلى تدهور أداء خوارزميات التصنيف الحالية بشكل كبير. وتشكل المشكلة الرئيسية هي أن العينات الواقعة في الفئات المطولة (الذيلية) لا تُظهر تنوعها الداخلي الفئوي. أما البشر، فيمكنهم تخيل عينة جديدة بوضعيات ومشاهد وزوايا رؤية مختلفة، مستخدمين معرفتهم السابقة، حتى لو كانت هذه الفئة هي المرة الأولى التي يرونها. مستوحى من هذا المفهوم، نقترح طريقة جديدة تعتمد على الاستدلال لتعزيز البيانات ضمنيًا من خلال استعارة اتجاهات التحويل من فئات أخرى. وبما أن مصفوفة التباين (Covariance Matrix) لكل فئة تمثل اتجاهات التحويل المميزة للسمات، فيمكننا عينة اتجاهات جديدة من الفئات المشابهة لإنشاء أمثلة مختلفة تمامًا. بشكل محدد، يتم أولاً استخدام البيانات ذات التوزيع طويل الذيل لتدريب نواة (backbone) وف-Classifier. ثم يتم تقدير مصفوفة التباين لكل فئة، وتُبنى رسم بياني للمعرفة (Knowledge Graph) لتخزين العلاقات بين أي فئتين. وأخيرًا، يتم تعزيز العينات في الفئات المطولة بشكل تكيفي من خلال نقل المعلومات من جميع الفئات المشابهة الموجودة في الرسم البياني للمعرفة. وقد أظهرت النتائج التجريبية على مجموعات بيانات CIFAR-100-LT وImageNet-LT وiNaturalist 2018 فعالية الطرق المقترحة مقارنة بالأساليب الحالية الأفضل (state-of-the-art).