ميتايدج: التعلم الميتا لمحَسِّبات العمر المخصصة

تتباين طرق الشيخوخة بين الأشخاص بشكل كبير. إن تعلُّم مُقدِّر شخصي للعمر لكل فرد يُعد اتجاهًا واعدًا في مجال تقدير العمر، نظرًا لأنه يُنَمذِج بشكل أفضل التخصيص في عمليات الشيخوخة. ومع ذلك، تعاني معظم الطرق الشخصية الحالية من نقص البيانات الضخمة نظرًا للشروط الصارمة المطلوبة: تسمية الهوية (identity labels) وعدد كافٍ من العينات لكل فرد لتكوين نمط طويل الأمد للشيخوخة. في هذا البحث، نهدف إلى تعلُّم مُقدِّرات عمر شخصية دون الحاجة إلى هذه الشروط، ونُقدِّم طريقة تسمى MetaAge تعتمد على التعلم الميتا (meta-learning) لتقدير العمر. على عكس معظم الطرق الشخصية الحالية التي تتعلم معاملات مُقدِّر شخصي لكل فرد في مجموعة التدريب، تتعلم طريقةنا التمثيل (mapping) من معلومات الهوية إلى معاملات مُقدِّرات العمر. وبشكل محدد، نُقدِّم مُتعلِّمًا ميتا للتقدير الشخصي، يأخذ ميزات الهوية كمدخلات ويُخرِج معاملات مُقدِّرات مخصصة. وبهذا، تتعلم طريقتنا المعرفة الميتا دون الحاجة إلى الشروط المذكورة، وتنقل بسلاسة المعرفة المكتسبة إلى مجموعة الاختبار، ما يمكِّننا من الاستفادة من قواعد البيانات الكبيرة المتوفرة لتقدير العمر دون أي تسميات إضافية. أظهرت النتائج التجريبية الواسعة على ثلاث قواعد بيانات معيارية، تشمل قاعدة بيانات MORPH II وChaLearn LAP 2015 وChaLearn LAP 2016، أن MetaAge تُحسِّن بشكل كبير أداء الطرق الشخصية الحالية، وتتفوّق على أحدث الطرق المُعتمدة في المجال.