التعلم التعاوني المتداخل للتمييز البصري الطويل الذيل

تتفاوت الشبكات المدربة على مجموعة بيانات ذات توزيع طويل الذيل بشكل ملحوظ، رغم استخدام نفس إعدادات التدريب، مما يُظهر درجة عالية من عدم اليقين في تعلم التوزيع الطويل الذيل. ولتقليل هذا عدم اليقين، نقترح نموذج التعلم التعاوني المدمج (NCL)، الذي يعالج هذه المشكلة من خلال تعلم متعدد الخبراء بشكل تعاوني. يتكون NCL من مكونين رئيسيين، وهما: التعلم الفردي المدمج (NIL) والتحصيل التفاعلي المتوازن المدمج (NBOD)، حيث يركّز الأول على التعلم المراقب الفردي لكل خبير منفرد، بينما يركّز الثاني على نقل المعرفة بين عدة خبراء. وللتمكن من تعلّم تمثيلات أكثر شمولاً، تم صياغة كل من NIL وNBOD بطريقة مدمجة، بحيث يتم التعلّم ليس فقط من منظور شامل يشمل جميع الفئات، بل أيضًا من منظور جزئي يركز على بعض الفئات الصعبة. وبالنسبة للتعلم من منظور جزئي، نحدد بشكل خاص الفئات السلبية التي تحصل على تنبؤات عالية كفئات صعبة، باستخدام تقنية استخراج الفئات الصعبة (HCM) التي نقترحها. في NCL، يكون التعلّم من المنظورين مدمجًا ومتداخلًا بشكل وثيق ومكملًا، مما يساعد الشبكة على استخلاص ميزات عالمية وقوية، فضلًا عن القدرة الدقيقة على التمييز. علاوة على ذلك، يتم استخدام التعلم ذاتي التوجيه لتعزيز الميزات. تُظهر التجارب الواسعة تفوق طريقة العمل المقترحة، حيث تفوقت على أحدث الطرق سواء باستخدام نموذج واحد أو تجميع نماذج (Ensemble).