FeTrIL: الترجمة المميزة للتعلم التدرجي للصفوف دون أمثلة

التعلم التدرجي للصفوف دون استخدام أمثلة يُعدّ تحديًا كبيرًا بسبب التأثير السلبي للنسيان الكارثي. ويتطلب تحقيق دقة جيدة لكل من الفئات السابقة والجديدة تحقيق توازن بين الاستقرار والمرونة في العملية التدريجية. تركز الطرق الحالية للتعلم التدرجي للصفوف دون استخدام أمثلة إما على التحسين التدريجي المستمر للنموذج، مما يُفضّل المرونة، أو على استخدام مُستخرج الميزات (feature extractor) ثابتًا بعد الحالة التدريجية الأولية، مما يُفضّل الاستقرار. نُقدّم طريقةً تجمع بين مُستخرج ميزات ثابت ومحرّك لتمثيلات افتراضية (pseudo-features) بهدف تحسين التوازن بين الاستقرار والمرونة. يستخدم المحّرك تحويلًا هندسيًا بسيطًا وفعّالًا لتمثيلات فئات جديدة لتكوين تمثيلات للفئات السابقة، مكوّنة من ميزات افتراضية. يتطلب هذا التحويل فقط تخزين تمثيلات مركزية (centroids) للفئات السابقة لإنتاج ميزاتها الافتراضية. وتُقدّم الميزات الفعلية للفئات الجديدة، إلى جانب الميزات الافتراضية للفئات السابقة، إلى فاصل خطي (linear classifier) يتم تدريبه تدريجيًا لتمييز جميع الفئات. تُعدّ العملية التدريجية أسرع بكثير باستخدام الطريقة المقترحة مقارنة بالطرق الشائعة التي تُحدّث النموذج العميق بالكامل. أُجريت تجارب على ثلاث مجموعات بيانات صعبة، وبأطوار تدريبية مختلفة. وعند مقارنتها بعشر طرق موجودة، أظهرت طريقتنا تفوقًا على معظمها.