التوقع وتعزيز العدالة في الشبكات العصبية العميقة باستخدام انحناء المانيفولز الحسية

للتغلب على التحديات المرتبطة بالتصنيف ذي الذيل الطويل، قدم الباحثون عدة مناهج لتقليل التحيز الناتج عن النموذج، معظمها يفترض أن الفئات ذات العينات القليلة هي فئات ضعيفة. ومع ذلك، أظهرت دراسات حديثة أن الفئات الواقعة في الذيل ليست دائمًا صعبة التعلم، كما تم ملاحظة تحيز النموذج حتى على مجموعات بيانات متوازنة من حيث العينات، مما يشير إلى وجود عوامل أخرى تؤثر على تحيز النموذج. في هذه الدراسة، نحن نُرسي أولاً منظورًا هندسيًا لتحليل العدالة في النموذج، ثم نقترح بشكل منهجي سلسلة من المقاييس الهندسية لتحليل المنافذ الإدراكية في الشبكات العصبية العميقة. بعد ذلك، نستعرض بشكل شامل تأثير الخصائص الهندسية للمنافذ الإدراكية على صعوبة التصنيف، وندرس كيف يُشكّل التعلّم هذه الخصائص الهندسية. ووجدنا نتائج غير متوقعة، حيث تقل ترابط الدقة الفئوية مع درجة الفصل بين المنافذ الإدراكية تدريجيًا خلال التدريب، في حين يزداد الترابط السلبي مع الانحناء تدريجيًا، مما يوحي بأن عدم التوازن في الانحناء هو السبب الرئيسي في تحيز النموذج. استنادًا إلى هذه الملاحظات، نقترح منظورًا لتنظيم الانحناء (curvature regularization) لتمكين النموذج من تعلّم منافذ إدراكية متوازنة من حيث الانحناء وأكثر مسطحة. وقد أظهرت التقييمات على عدة مجموعات بيانات ذات ذيل طويل وغير ذات ذيل طويل أداءً متميزًا وعامةً مذهلة لنهجنا، خصوصًا في تحقيق تحسينات كبيرة في الأداء مقارنةً بالتقنيات الحالية الرائدة. تفتح هذه الدراسة منظورًا هندسيًا جديدًا لتحليل تحيز النموذج، وتحث الباحثين على الانتباه إلى تحيز النموذج حتى في مجموعات بيانات غير ذات ذيل طويل، بل وحتى في المجموعات المتوازنة من حيث العينات.