التعلم الصفرية لدوال المسافة الموقعة للشكل في فضاء الميزات من خلال عدد قليل من الأمثلة

نستكشف فكرة جديدة لاستعادة الأشكال القائمة على التعلّم من سحابة نقاط، وذلك بالاعتماد على التمثيلات الضمنية للأشكال باستخدام الشبكات العصبية التي أصبحت شائعة مؤخرًا. نُعدّ المشكلة كتعلم قائم على عدد قليل من الأمثلة (few-shot learning) للدوال المسافة الموقعة الضمنية في فضاء الميزات، ونُعالجها باستخدام تعلّم متعدد التدرجات (gradient-based meta-learning). نستخدم مشغلًا تلافيفيًا (convolutional encoder) لبناء فضاء ميزات بناءً على سحابة النقاط المدخلة. ثم يتعلم مشغل ضمني (implicit decoder) التنبؤ بقيم المسافة الموقعة عند إدخال نقاط ممثلة في هذا الفضاء الميزات. وبوضع سحابة النقاط المدخلة، أي العينات من مجموعة الصفر لدالة الشكل المستهدفة، كمصدر دعم (أو سياق) في سياق التعلم القائم على عدد قليل من الأمثلة، نُدرّب المشغل بحيث يتمكن من تعديل أوزانه لاستيعاب الشكل الكامن وراء هذا السياق بخطوات تكييف قليلة (5 خطوات فقط). وبذلك نُدمج لأول مرة نوعين من آليات التكييف في الشبكات العصبية الضمنية معًا، وهما: ترميز الميزات (feature encoding) وتعلم التكيف (meta-learning). تُظهر التقييمات العددية والجودية أن الاستراتيجية المقترحة، أي التعلم التكيفي في فضاء الميزات، تتفوّق على البدائل الحالية، مثل التعلم المراقب القياسي في فضاء الميزات، والتعلم التكيفي في الفضاء الإقليدي، مع الحفاظ على سرعة الاستنتاج.