هيبيرشوت: التعلم القليل من الأمثلة من خلال الشبكات الهيبرية للنواة

تهدف النماذج ذات العينات القليلة إلى إجراء تنبؤات باستخدام عدد قليل جدًا من الأمثلة المُعلّمة من مهمة معينة. ويُعد التحدي الرئيسي في هذا المجال هو البيئة ذات "العينة الواحدة" (one-shot)، حيث يمثل عنصر واحد فقط كل فئة. نقترح نموذج HyperShot، وهو دمج بين نموذج النوى (kernels) ونمط الهيبيرنات (hypernetwork). على عكس النماذج المرجعية التي تطبّق تعديلًا تعتمد على المشتقة (gradient-based adjustment) لتعديل المعاملات، يهدف نموذجنا إلى تغيير معاملات وحدة التصنيف بناءً على تمثيل المهمة (task's embedding). في التطبيق العملي، نستخدم شبكة هيبيرنات (hypernetwork) تأخذ المعلومات المجمعة من البيانات الداعمة (support data) وتعيد إرجاع معاملات وحدة التصنيف التي تم تصميمها خصيصًا للمشكلة المطروحة. علاوة على ذلك، نقدّم تمثيلًا مبنيًا على النوى (kernel-based representation) للأمثلة الداعمة التي تُقدّم إلى الشبكة الهيبيرنات، بهدف إنشاء معاملات وحدة التصنيف. وبذلك، نعتمد على العلاقات بين تمثيلات أمثلة الدعم، بدلًا من الاعتماد المباشر على القيم المميزة (feature values) التي تُقدّمها نماذج الأساس (backbone models). وبفضل هذا النهج، يمكن لنموذجنا التكيّف مع مهام مختلفة جدًا.