تصحيح معدّل للوسم الوظيفي للتعامل مع تلف الوسم

تُعاني الطرق التقليدية لتعلم النموذج في ظل وجود تسميات ضوضائية من عدم قدرتها على التعامل بشكل كافٍ مع ضوضاء الواقع الحقيقي، رغم نجاحها في التعامل مع مجموعات البيانات التي تم إدخال ضوضاء مصطنعة فيها. ومع التوسع المتزايد في استخدام التعلم التوليدي (meta-learning) في مجالات الذكاء الاصطناعي المتنوعة، استخدم الباحثون مجموعات بيانات نظيفة صغيرة كمساعد لتصحيح التسميات التدريبية عبر التعلم التوليدي. ومع ذلك، لا تُستغل الطرق الحالية لتصحيح التسميات التوليدية إمكاناتها بشكل كامل. في هذه الدراسة، نقترح نهجًا مُحسّنًا لتصحيح التسميات التوليدية، يُختصر باسم EMLC (Enhanced Meta Label Correction)، لمعالجة مشكلة التعلم مع تسميات ضوضائية (LNL). نعيد مراجعة عملية التعلم التوليدي، ونُقدّم مشتقات أسرع وأدق للدرجات التوليدية. كما نُقدّم معمارية معلّم جديدة مصممة خصيصًا لمشكلة LNL، مزودة بأهداف تدريب مبتكرة. تتفوق EMLC على الطرق السابقة، وتحقق نتائج رائدة في جميع المعايير القياسية. وبشكل ملحوظ، تُحسّن EMLC الأداء السابق على مجموعة بيانات الواقع الحقيقي Clothing1M بنسبة 1.52%، مع استهلاك وقت نصف الوقت لكل دورة (epoch) مقارنة بالأساس، وبمعدل تقارب أسرع بشكل كبير لدالة التحسين التوليدي مقارنة بالطريقة الأساسية.