تحقيق الاحتمالية المثلى المفتوحة للتعلم قليل العينات

ن tackled مشكلة التعرف على المجموعات المفتوحة بأعداد قليلة من الأمثلة (FSOSR)، أي تصنيف الكيانات ضمن مجموعة من الفئات التي نملك فقط عددًا قليلاً من العينات المُعلَّمة لها، مع الكشف في نفس الوقت عن الكيانات التي لا تنتمي لأي فئة معروفة. نستكشف الإطار النموذجي المُستند إلى التحويل (transductive)، الذي يستفيد من العينات غير المُعلَّمة في مرحلة الاستدلال. مستوحى من الملاحظة التي تشير إلى أن الطرق التحويلية الحالية تؤدي أداءً ضعيفًا في السياقات المفتوحة، نقترح تعميمًا لمبدأ الاحتمال الأقصى، حيث نُدخل درجات خفية (latent scores) تُقلل من تأثير القيم الشاذة المحتملة إلى جانب النموذج المعلمي التقليدي. تُدمج صيغتنا قيودًا توجيهية من مجموعة الدعم، بالإضافة إلى عقوبات إضافية تُقلل من التوقعات المفرطة في الثقة على مجموعة الاستعلام. نتبع نهجًا يعتمد على تناوب التنزيلات الكتلية (block-coordinate descent)، حيث يتم تحسين الدرجات الخفية والنموذج المعلمي بشكل متزامن ومتناوب، مما يُتيح الاستفادة المتبادلة بينهما. نسمي الصيغة الناتجة لدينا "تحسين الاحتمال المفتوح" (OSLO). يتميز OSLO بالوضوح التفسيري والكامل في التجميع؛ ويمكن تطبيقه على أي نموذج مُدرّب مسبقًا بشكل سلس. من خلال تجارب واسعة، نُظهر أن طريقة لدينا تتفوق على الطرق الاستدلالية والتحويلية الحالية في كلا الجانبين الخاصين بالتعرف على المجموعات المفتوحة، وهما تصنيف الكيانات الداخلية (inliers) والكشف عن القيم الشاذة (outliers).