L2B: التعلّم لتمكين النماذج القوية للتعامل مع الضوضاء في التسميات

أظهرت الشبكات العصبية العميقة نجاحًا كبيرًا في التعلم التمثيلي. ومع ذلك، عند التعلم مع تسميات ضوضائية (LNL)، يمكن أن تتعرض بسهولة للتأقلم الزائد (overfitting) وتفشل في التعميم على بيانات جديدة. يقدّم هذا البحث طريقة بسيطة وفعّالة تُسمى "التعلم لاستحداث التمهيد" (Learning to Bootstrap، اختصارًا L2B)، التي تمكّن النماذج من تحسين نفسها باستخدام تنبؤاتها الخاصة دون أن تتأثر سلبًا بالتسميات الوهمية الخاطئة. تحقّق هذه الطريقة من خلال تعديل ديناميكي لوزن الأهمية بين التسميات الحقيقية المُلاحظة والسمات المُولّدة، وكذلك بين العينات المختلفة باستخدام التعلّم التمثيلي (meta-learning). على عكس الطرق الحالية لإعادة توزين الأمثلة، يكمن جوهر طريقة L2B في دالة تكلفة جديدة ومتعددة الاستخدامات تسمح بالإعادة التسمية ضمنية في نفس الوقت، مما يؤدي إلى تحسينات كبيرة دون تحميل تكاليف إضافية.تقدم L2B عدة مزايا مقارنة بالأساليب الأساسية. فهي تُنتج نماذج أكثر موثوقية وتكون أقل عرضة لتأثير التسميات الضوضائية من خلال توجيه عملية التمهيد بشكل أكثر فعالية. كما أنها تستفيد بشكل أفضل من المعلومات القيّمة المحتواة في العينات المُتضرّرة من خلال تعديل أوزان كل من العينات والتسميات. علاوةً على ذلك، فإن L2B متوافقة مع الطرق الحالية لمعالجة التسميات الضوضائية، وتُظهر نتائج تنافسية في مهام التصنيف والتقسيم (segmentation) ضمن مجالات التصوير الطبيعي والطبي، سواء في حالات الضوضاء الاصطناعية أو الواقعية. تُظهر التجارب الواسعة أن الطريقة تُخفّف بشكل فعّال من التحديات الناتجة عن التسميات الضوضائية، غالبًا دون الحاجة إلى عينات تحقق (validation samples)، كما تُظهر قدرة عالية على التعميم على مهام أخرى مثل تقسيم الصور. هذا لا يضع L2B فقط كمكمل قوي للتقنيات الحالية لمعالجة التسميات الضوضائية، بل يُبرز أيضًا جدوى تطبيقها العملي. يمكن الوصول إلى الكود والنماذج عبر الرابط: https://github.com/yuyinzhou/l2b.