إعادة التفكير في التسمية الوهمية القائمة على التجميع للتعلم الميتا غير المنظور

الطريقة الرائدة في التعلم الميتا غير المنظور، المعروفة باسم CACTUs، هي نهج يعتمد على التجميع مع التسمية الوهمية. هذا النهج مستقل عن النموذج ويمكن دمجه مع الخوارزميات المنظورة لتعلم البيانات غير المنظورة. ومع ذلك، غالباً ما يعاني من عدم اتساق التسميات أو التنوع المحدود، مما يؤدي إلى أداء ضعيف. في هذه الدراسة، نثبت أن السبب الرئيسي لهذا问题是 نقص خاصية ملائمة للتجميع في فضاء التضمين. نعالج هذا الأمر بتصغير نسبة الشبه بين الفئات إلى داخل الفئة لتوفير ميزات تضمين ملائمة للتجميع، ونؤكد صحة نهجنا من خلال تجارب شاملة. لاحظ أنه رغم استخدامنا فقط خوارزمية تجميع بسيطة (k-means) في فضاء التضمين للحصول على التسميات الوهمية، فإننا حققنا تحسيناً كبيراً. علاوة على ذلك، نعتمد آلية تقييم تدريجية للحصول على عينات أكثر تنوعاً من أجل تخفيف مشكلة التنوع المحدود بشكل أكبر. أخيراً، يمكن دمج نهجنا بسهولة في الطرق المنظورة الحالية وهو مستقل عن النموذج أيضاً. لإظهار قدرته على التعميم، قمنا بدمجه في خوارزميتين تمثيليتين: MAML وEP. النتائج على ثلاثة مقاييس رئيسية للتعلم القليل الأطوال تظهر بوضوح أن الطريقة المقترحة حققت تحسيناً كبيراً مقارنة بالأنماط الرائدة حاليًا. وبشكل لافت للنظر، فإن نهجنا يتفوق أيضًا على الطريقة المنظورة المقابلة في مهمتين.