SimMatch: التعلم شبه المُراقب مع مطابقة التشابه

يُعد التعلّم باستخدام عدد قليل من البيانات المُعلّمة مشكلة قديمة في مجتمع البحث في مجال الرؤية الحاسوبية والتعلم الآلي. في هذه الورقة، نقدّم إطارًا جديدًا للتعلّم شبه المُراقب يُدعى SimMatch، الذي يأخذ بعين الاعتبار بشكل متزامن التشابه الدلالي والتشابه بين الأمثلة (instance similarity). في إطار SimMatch، يتم تطبيق التماسك التسويقي (consistency regularization) على كل من المستوى الدلالي والمستوى الأمثلي (instance-level). وتشجع الأنظار المُختلفة المُعاد توليدُها لنفس المثال على إعطاء تنبؤات بنفس الفئة، مع الحفاظ على علاقات التشابه المماثلة تجاه الأمثلة الأخرى. بعد ذلك، قمنا بتمثيل ذاكرة مُعلّمة (labeled memory buffer) للاستفادة الكاملة من العلامات الحقيقية على المستوى الأمثلي، وسد الفجوات بين التشابه الدلالي والتشابه الأمثلي. وأخيرًا، اقترحنا عمليتي "التمدد" (unfolding) و"التجزئة" (aggregation) اللتين تسمحان بتحويل التشابهين بشكل متماثل (isomorphically) أحدهما إلى الآخر. وبهذه الطريقة، يمكن تبادل التسميات الوهمية (pseudo-labels) بين المستوى الدلالي والمستوى الأمثلي لتكوين أهداف مطابقة أكثر جودة وموثوقية. أظهرت النتائج التجريبية الواسعة تحسّن أداء SimMatch في مهام التعلّم شبه المُراقب عبر مختلف مجموعات البيانات المعيارية والبيئات المختلفة. وبشكل ملحوظ، حقق SimMatch دقة أعلى بنسبة 67.2٪ و74.4٪ في التصنيف الأول (Top-1 Accuracy) باستخدام 1٪ و10٪ فقط من الأمثلة المُعلّمة على ImageNet، بعد 400 دورة تدريب، متفوّقًا بشكل كبير على الطرق الأساسية، وأفضل من الأطر السابقة للتعلّم شبه المُراقب. يمكن الوصول إلى الكود والنماذج المُدرّبة مسبقًا من خلال الرابط: https://github.com/KyleZheng1997/simmatch.