التعلم التدرجي للتصنيف من خلال عينات مهام متعددة المراحل بقليل من الأمثلة

تظهر فئات جديدة باستمرار في عالمنا المتغير باستمرار، مثل المواضيع الناشئة في وسائل التواصل الاجتماعي وأنواع جديدة من المنتجات في التجارة الإلكترونية. يجب أن يتمكن النموذج من التعرف على الفئات الجديدة مع الحفاظ على القدرة على التمييز بين الفئات القديمة. وفي الظروف الصعبة، يكون عدد القيم الجديدة المتوفرة للتحديث التدريجي للنموذج محدودًا جدًا. يُعرف المهمة التي تتمثل في التعرف على فئات جديدة بكميات قليلة من الأمثلة دون نسيان الفئات القديمة باسم التعلم التدرجي للصفوف بكميات قليلة (FSCIL). في هذه الدراسة، نقترح نموذجًا جديدًا لـ FSCIL يستند إلى التعلم الميتا من خلال تقنية LearnIng Multi-phase Incremental Tasks (LIMIT)، التي تقوم بتكوين مهام FSCIL اصطناعية من مجموعة البيانات الأساسية. ويتم الحفاظ على تناسق تنسيق البيانات في المهام الاصطناعية مع تنسيق المهام التدريجية الحقيقية، ويمكننا من خلال التعلم الميتا بناء فضاء مميزات عام يمكن تعميمه على المهام غير المرئية. علاوة على ذلك، يُنشئ LIMIT أيضًا وحدة معايرة مبنية على نموذج التحويل (Transformer)، والتي تُعدّل فئات الفئات القديمة والبُروتوكولات الخاصة بالفئات الجديدة لتنسقها بنفس المقياس، وملء الفجوة الدلالية بينها. كما تقوم وحدة المعايرة بتكييف التضمينات الخاصة بالعينات بشكل تكيفي باستخدام دالة من نوع "مجموعة إلى مجموعة". يُظهر LIMIT قدرة فعّالة على التكيّف مع الفئات الجديدة، وفي الوقت نفسه يقاوم نسيان الفئات القديمة. وقد أثبتت التجارب على ثلاث مجموعات معيارية (CIFAR100، miniImageNet، وCUB200) وبيانات واسعة النطاق، مثل ImageNet ILSVRC2012، أن LIMIT تحقق أداءً متفوقًا على المستوى الحالي من التقنيات.