الإشراف الجزئي على التسميات للتعلم المُولَّد للتسميات الضوضائية في حالة عدم المعرفة

تم التعامل مع تعلم التصنيفات الضوضائية باستخدام نهج تمييزية ونموذجية على حد سواء. رغم بساطة وفعالية النماذج التمييزية، فإن النماذج النمطية توفر طريقة أكثر مبدأية لفصل التصنيفات النظيفة والضوضائية وتقدير مصفوفة انتقال التصنيف. ومع ذلك، غالباً ما تتطلب الطرق النمطية الحالية استنتاج متغيرات كامنة إضافية من خلال وحدات توليد باهظة الثمن أو افتراضات تقريبية، مما يعيق التحسين التكيفي لاتجاهات السببية المختلفة. كما أنها تفترض وجود أولوية تصنيف نظيف موحدة، والتي لا تعكس توزيع التصنيفات النظيفة على مستوى العينة ولا عدم اليقين المرتبط بها. في هذا البحث، نقترح إطارًا جديدًا للتعلم النمطي للتصنيفات الضوضائية يعالج هذه التحديات. أولاً، نقترح عملية تحسين مرحلة واحدة جديدة تقرب مباشرة من توليد الصور بواسطة خرج تصنيف تمييزي. هذا التقريب يقلل بشكل كبير من تكلفة حساب توليد الصور ويحافظ على فوائد النمذجة النمطية ويجعل إطارنا مستقلًا بشأن سيناريوهات السببية المختلفة (أي صورة تولد تصنيفًا أو العكس). ثانياً، نقدم رقابة جزئية على التصنيف (PLS) للتعلم من التصنيفات الضوضائية التي تعتبر كل من تغطية التصنيف النظيف وعدم اليقين. لا تستهدف الرقابة في PLS مجرد تقليل الخسارة، بل تعمل على التقاط التوزيع العينوي للتصنيفات النظيفة وعدم اليقين. أظهرت التجارب الواسعة على مقاييس الرؤيا الحاسوبية ومعالجة اللغات الطبيعية (NLP) أن نموذجنا النمطي يحقق نتائج رائدة في مجاله مع خفض كبير في تكلفة الحساب. يمكن الحصول على شفرتنا البرمجية من الرابط التالي: https://github.com/lfb-1/GNL.