الخلط السريع الموجه بالبروز من خلال تRESHolding التدرج العشوائي

أثبتت نهج التدريب المختلط (mix-up) فعاليتها في تحسين قدرة الشبكات العصبية العميقة على التعميم. على مر السنين، وسعت المجتمع البحثي طرق المختلط في اتجاهين، مع جهود مكثفة لتحسين الإجراءات التي توجهها البارامترات الهامة (saliency-guided) ولكن مع تركيز أقل على المسار العشوائي، مما ترك مجال التصادفية غير مستكشف. في هذا البحث، مستوحى من الجودة الفائقة لكل اتجاه على الآخر، نقدم طريقة جديدة تقع عند تقاطع الطريقين. من خلال دمج أفضل عناصر العشوائية واستخدام البارامترات الهامة (saliency utilization)، تعادل طرقتنا السرعة والبساطة والدقة. أطلقنا على طريقتنا اسم R-Mix استنادًا إلى مفهوم "المختلط العشوائي" (Random Mix-up). نوضح فعاليتها في التعميم وتوضيح الأشياء تحت الإشراف الضعيف (weakly supervised object localization)، والتوفيق بين النتائج (calibration)، والمتانة ضد الهجمات المعادية (adversarial attacks). أخيرًا، للإجابة على سؤال ما إذا كان هناك بروتوكول قرار أفضل، نقوم بتدريب وكيل تعليم تعزيزي (Reinforcement Learning agent) يقرر سياسات المختلط بناءً على أداء المصنف، مما يقلل الاعتماد على الأهداف المصممة من قبل البشر وضبط المعلمات الفائقة (hyperparameter tuning). تظهر التجارب الواسعة أيضًا أن الوكيل قادر على الأداء بمستوى متقدم، مما يشكل أساسًا للخليط المختلط全自动 (fully automatic mix-up). رمز البرامج الخاص بنا متاح في [https://github.com/minhlong94/Random-Mixup].注：在最后一句中，“全自动”（fully automatic）一词没有直接对应的阿拉伯语词汇，因此我将其放在了括号内以保持信息的完整性。