UNICON: مكافحة الضوضاء التصنيفية من خلال الاختيار الموحد والتعلّم التبايني

تتطلب الطرق المُراقبة للتعلم العميق مخزونًا كبيرًا من البيانات المُعلمة؛ وبالتالي، فإن وجود ضجيج في التسميات أمر لا مفر منه. يؤدي التدريب باستخدام بيانات مُلوثة بهذه الطريقة إلى تأثير سلبي على أداء التعميم للشبكات العصبية العميقة. لمواجهة ضجيج التسميات، تُطبّق الطرق الحديثة الأفضل أداءً آلية اختيار عينات من نوع ما، بهدف اختيار مجموعة نظيفة محتملة من البيانات. ثم يُستخدم أسلوب تدريب شبه مُراقب جاهز للسوق، حيث تُعامل العينات المرفوضة على أنها بيانات غير مُعلمة. تُظهر تحليلاتنا الشاملة أن الطرق الحالية تختار بشكل غير متوازن العينات من الفئات السهلة (التي تُتعلم بسرعة)، بينما تُرفض تلك المنتمية إلى فئات أصعب نسبيًا. وهذا يؤدي إلى تفاوت في التوزيع بين الفئات في المجموعة النظيفة المختارة، مما يُضعف الأداء بشكل خاص عند ارتفاع معدل ضجيج التسميات. في هذا العمل، نقترح UNICON، وهي طريقة بسيطة ولكن فعّالة لاختيار العينات، وتتميز بالمقاومة العالية لضجيج التسميات العالي. ولحل مشكلة الاختيار غير المتوازن بين العينات السهلة والصعبة، نُقدّم آلية اختيار موحدة تعتمد على مفهوم التباين لجينسون-شانون، والتي لا تتطلب نمذجة احتمالية أو ضبط معلمات هيراركية. ونُكمل طريقة الاختيار هذه بدمج التعلم التمييزي (contrastive learning) لتعزيز مقاومة التعلّم الآلي للبيانات المُلوثة بالضجيج. تُظهر التجارب الواسعة على عدة مجموعات بيانات معيارية فعالية UNICON؛ حيث حققنا تحسنًا بنسبة 11.4% مقارنة بالحالة المتطورة الحالية على مجموعة بيانات CIFAR100 عند معدل ضجيج 90%. وتم إتاحة الشفرة المصدرية لـ UNICON بشكل عام.