توسيع التعلم شبه المراقب باستخدام بيانات غير مُعلَّمة غير مقيدة

نُقدّم UnMixMatch، إطار عمل للتعلم شبه المُشرَّف يمكنه تعلُّم تمثيلات فعّالة من بيانات غير مُعلَّمة غير مقيدة بهدف تعزيز الأداء على نطاق أوسع. تعتمد معظم الطرق الحالية للتعلم شبه المُشرَّف على افتراض أن العينات المُعلَّمة وغير المُعلَّمة مستمدة من نفس التوزيع، وهو ما يحد من الإمكانات المُستقبَلة لتحسين الأداء من خلال استخدام البيانات غير المُعلَّمة المجانية. ونتيجة لذلك، يُعَرَّض التعميم والقابلية للتوسع في التعلم شبه المُشرَّف غالبًا لتحديات ناتجة عن هذا الافتراض. يهدف منهجنا إلى التغلب على هذه القيود واستغلال البيانات غير المُعلَّمة غير المقيدة بكفاءة في سياق التعلم شبه المُشرَّف. يتكون UnMixMatch من ثلاثة مكونات رئيسية: مُدرِّب مُشرَّف يستخدم توليدات قوية (hard augmentations) لتوفير تقوية قوية، وعامل اتساق تمايزي (contrastive consistency regularizer) لتعلم التمثيلات الكامنة من البيانات غير المُعلَّمة، ووظيفة خسارة ذاتية التعلُّم (self-supervised loss) لتعزيز التمثيلات المستمدة من البيانات غير المُعلَّمة. أجرينا تجارب مكثفة على أربع مجموعات بيانات شائعة الاستخدام، وأظهرنا أداءً متفوّقًا مقارنة بالطرق الحالية للتعلم شبه المُشرَّف، مع تحقيق زيادة في الأداء بنسبة 4.79٪. كما أظهرت الدراسات التفصيلية والتحليلات الحساسية فعالية وتأثير كل مكوّن من المكوّنات المقترحة في منهجنا.