كولد باويز: اكتشاف الفئات بدون تعلّم وحل مشكلة البدء البارد للتعلم شبه المراقب

في العديد من تطبيقات التعلم الآلي، يُعدّ تسمية مجموعات البيانات مهمة شاقة وطويلة الأمد. وعلى الرغم من أن الأبحاث أظهرت أن تقنيات التعلم شبه المراقبة قادرة على تحقيق دقة عالية باستخدام عدد قليل جدًا من التسميات ضمن مجال رؤية الحاسوب، إلا أن القليل من الاهتمام قد أُولي لطريقة اختيار الصور داخل مجموعة بيانات لتسميتها. في هذه الورقة، نقترح منهجية جديدة تعتمد على تقنيات مثبتة من التعلم ذاتي التحفيز، والتجميع، وتعلم الأسطح المتعددة (manifold learning)، والتي تعالج هذا التحدي المتمثل في اختيار مجموعة صور معلوماتية لوضع التسميات في المرحلة الأولى، وهي ما يُعرف بمشكلة التسمية المختارة الباردة أو غير المراقبة. وقد قمنا باختبار منهجيتنا باستخدام عدة مجموعات بيانات متاحة للجمهور، ومنها CIFAR10 وImagenette وDeepWeeds وEuroSAT، ولاحظنا تحسنًا في الأداء باستخدام كل من الاستراتيجيات المراقبة وشبه المراقبة عند تطبيق استراتيجية اختيار التسميات التي نقترحها، مقارنةً بالاست mẫu العشوائي. كما تحقّق أداءً أفضل بكثير للمجموعات المدروسة باستخدام منهجية أبسط مقارنةً بالطرق الأخرى المذكورة في الأدبيات.