التعلم مع الاتساق الجارّي للوسم الضوضائي

إن التقدم الأخير في التعلم العميق اعتمد على مجموعات بيانات كبيرة ومُصنّفة لتدريب نماذج ذات قدرة عالية. ومع ذلك، فإن جمع مجموعات بيانات كبيرة بطريقة فعّالة من حيث الوقت والتكلفة غالبًا ما يؤدي إلى وجود ضوضاء في التصنيفات. نقدم طريقة للتعلم من التصنيفات المضطربة تُستمد من التشابه بين أمثلة التدريب في الفضاء المميز، وتشجع التنبؤ بكل مثال على أن يكون مشابهًا لأقرب جيرانه. مقارنةً بالخوارزميات التي تعتمد على نماذج متعددة أو مراحل مختلفة، يتخذ نهجنا شكل حدّة تقوية بسيطة إضافية. ويمكن تفسيره كنسخة استنتاجية (inductive) للخوارزمية الكلاسيكية لنقل التصنيف التماثلي (transductive). وقد قمنا بتقييم منهجنا بشكل شامل على مجموعات بيانات تُقيّم ضوضاء صناعية (CIFAR-10، CIFAR-100) وواقعية (mini-WebVision، WebVision، Clothing1M، mini-ImageNet-Red)، وحققنا دقة تنافسية أو من أفضل الدقائق على جميع هذه المجموعات.