التعلم التلخيصي غير المراقب من خلال التعلم التناقصي التوافقي الافتراضي القائم على عدد قليل من الأمثلة

يهدف التعلم المتعدد غير المراقب إلى اكتساب معرفة قابلة للتطبيق بشكل عام عبر توزيع من المهام التي تُبنى من بيانات غير مُعلَّمة. هنا، التحدي الرئيسي يتمثل في كيفية بناء مهام متنوعة للتعلم المتعدد دون وجود معلومات التصنيف؛ وقد اقترح أعمال حديثة إنشاء تصنيفات افتراضية من خلال تمثيلات مُدرَّبة مسبقًا، أو إنشاء عينات اصطناعية باستخدام نماذج توليدية. ومع ذلك، فإن مثل هذه الاستراتيجية لبناء المهام محدودة جوهريًا بسبب الاعتماد الكبير على التصنيفات الافتراضية الثابتة أثناء التعلم المتعدد، بالإضافة إلى جودة التمثيلات أو العينات المولَّدة. لتجاوز هذه القيود، نقترح إطارًا بسيطًا ولكنه فعّال للتعلم المتعدد غير المراقب، يُسمَّى "التمييز الافتراضي التكراري" (PsCo)، لتصنيف الحالات القليلة (few-shot classification). ونستمد إلهامنا من الأدبيات الحديثة في التعلم الذاتي-المراقب؛ حيث يستخدم PsCo شبكة ديناميكية (momentum network) وقائمة بآخر الحزم (queue) لتحسين عملية التصنيف الافتراضي وبناء مهام متنوعة بطريقة تدريجية. تُظهر تجاربنا الواسعة أن PsCo يتفوّق على الطرق الحالية للتعلم المتعدد غير المراقب في مجموعة متنوعة من معايير التصنيف القليل في نفس المجال (in-domain) وخارج المجال (cross-domain). كما نؤكد أن PsCo يمكن تطويره بسهولة ليناسب معايير كبيرة النطاق، في حين أن النماذج المتقدمة السابقة لا تُظهر قابلية للتوسع بسهولة.