التعلم المتناقض متعدد التشابه

بالنظر إلى مقياس التشابه، تتعلم الأساليب المُقارنة تمثيلًا بحيث يتم دفع الأمثلة المشابهة إلى بعضها البعض، بينما تُبعد الأمثلة غير المشابهة عن بعضها. وقد تم استخدام تقنيات التعلم المُقارن على نطاق واسع لتعلم التمثيلات لأغراض تتنوع من تصنيف الصور إلى توليد العناوين التوضيحية. ومع ذلك، يمكن أن تفشل الأساليب الحالية للتعلم المُقارن في التعميم، نظرًا لعدم أخذها بعين الاعتبار احتمال وجود علاقات تشابه مختلفة. في هذه الورقة، نقترح خسارة مقارنة متعددة التشابه (MSCon) جديدة، التي تتعلم تمثيلات قابلة للتعميم من خلال الاستفادة المشتركة من الإشراف الناتج عن عدة مقاييس للتشابه. تعتمد طريقةنا على تعلم ترجيحات التشابه المُقارن تلقائيًا بناءً على عدم اليقين المرتبط بكل مقياس من مقاييس التشابه، حيث يتم تقليل وزن المهام غير المؤكدة، مما يؤدي إلى تحسين التعميم خارج المجال على المهام الجديدة. ونُظهر تجريبيًا أن الشبكات المدربة باستخدام MSCon تتفوق على أحدث النماذج الحالية في البيئات داخل المجال وخارج المجال.