يمكن النظر إلى هدف التعرف على الوجه (FR) كمشكلة تحسين تشابه الأزواج، حيث يتم زيادة مجموعة التشابه $\mathcal{S}^p$Sp للأزواج الإيجابية بينما يتم تقليل مجموعة التشابه $\mathcal{S}^n$Sn للأزواج السلبية. المثالي هو أن تتكون نماذج التعرف على الوجه من فضاء ميزات تمييزي جيد (WDFS) يحقق الشرط $\inf{\mathcal{S}^p} > \sup{\mathcal{S}^n}$infSp>supSn. فيما يتعلق بـ WDFS، يمكن تعبير النماذج الحالية لتعلم الميزات العميقة (أي خسائر القياس وتصنيف الخسائر) كمنظور موحد لل استراتيجيات المختلفة لتوليد الأزواج (PG). ومع ذلك، في خسارة القياس (ML)، يكون من غير العملي إنشاء أزواج سلبية تأخذ جميع الفئات في الاعتبار في كل دورة بسبب حجم الدفعة الصغيرة المحدود. بالمقابل، في خسارة التصنيف (CL)، يكون من الصعب إنشاء أزواج سلبية صعبة للغاية بسبب تقارب متجهات وزن الفئات إلى مركزها. هذا يؤدي إلى عدم توافق بين توزيعي التشابه للأزواج المستخرجة وكل الأزواج السلبية. لذلك، تقترح هذه الورقة طريقة موحدة لتوليد الأزواج السلبية (UNPG) من خلال الجمع بين Strategيتين لتوليد الأزواج (أي MLPG و CLPG) من منظور موحد لحل مشكلة عدم التوافق. يُدخل UNPG معلومات مفيدة عن الأزواج السلبية باستخدام MLPG للتغلب على عجز CLPG. بالإضافة إلى ذلك، يتضمن تصفيًا للتشابهات للأزواج السلبية الضوضائية لضمان التقارب الموثوق به والأداء المحسن. تظهر التجارب الشاملة تفوق UNPG من خلال تحقيق أفضل الأداء الحالي عبر وظائف الخسارة الحديثة على قواعد بيانات الاختبار المرجعية العامة. رمزنا وأنموذجتنا المدربة متاحة بشكل عام.请注意，"Strategيتين" 是一个拼写错误，正确的应该是 "استراتيجيتين". 以下是修正后的版本：يمكن النظر إلى هدف التعرف على الوجه (FR) كمشكلة تحسين تشابه الأزواج، حيث يتم زيادة مجموعة التشابه $\mathcal{S}^p$Sp للأزواج الإيجابية بينما يتم تقليل مجموعة التشابه $\mathcal{S}^n$Sn للأزواج السلبية. المثالي هو أن تتكون نماذج التعرف على الوجه من فضاء ميزات تمييزي جيد (WDFS) يحقق الشرط $\inf{\mathcal{S}^p} > \sup{\mathcal{S}^n}$infSp>supSn. فيما يتعلق بـ WDFS، يمكن تعبير النماذج الحالية لتعلم الميزات العميقة (أي خسائر القياس وتصنيف الخسائر) كمنظور موحد للاستراتيجيات المختلفة لتوليد الأزواج (PG). ومع ذلك، في خسارة القياس (ML)، يكون من غير العملي إنشاء أزواج سلبية تأخذ جميع الفئات في الاعتبار في كل دورة بسبب حجم الدفعة الصغيرة المحدود. بالمقابل، في خسارة التصنيف (CL)، يكون من الصعب إنشاء أزواج سلبية صعبة للغاية بسبب تقارب متجهات وزن الفئات إلى مركزها. هذا يؤدي إلى عدم توافق بين توزيعي التشابه للأزواجاً المستخرجة وكل الأزواج السلبية. لذلك، تقترح هذه الورقة طريقة موحدة لتوليد الأزواج السلبية (UNPG) من خلال الجمع بين الاستراتیجيتین لتولید الأزواج (أی MLPG و CLPG) من منظور موحد لحل مشکلة عدم التناسق. یُدخِل UNPG معلوماتٍ مُفيدَةٍ عن الأزواجه السَّلبيَّةِ باستخدام MLPG للتغلب على عجز CLPG. بالإضافة إلى ذلك، يتضمن تصفيًا للتشابهات للأزواجاً السلبية الضوضائية لضمان التقارب الموثوق به والأداء المحسن. تظهر التجارب الشاملة تفوق UNPG من خلال تحقيق أفضل الأداء الحالي عبر وظائف الخسارة الحديثة على قواعد بيانات الاختبار المرجعية العامة. رمزنا وأنموذجتنا المدربة متاحة بشكل عام.希望这个翻译符合您的要求。如果有任何进一步的修改或调整，请告诉我。