التعلم القليل😊 المقتبس مع التكيف بين المجالات في البيئة المفتوحة

حققت التعلم القليل النموذجية (Few-shot learning) خطوات مثيرة للإعجاب في معالجة التحديات الحرجة المتمثلة في تحديد العينات غير المعروفة من الفئات الجديدة في مجموعات الاستفسار الهدف وإدارة الاختلافات البصرية بين المجالات. ومع ذلك، تفشل التقنيات الحالية في تحديد القيم الشاذة الهدف تحت الاختلافات المجالية من خلال تعلم رفض القيم الشاذة الوهمية من المجال المصدر، مما يؤدي إلى حل غير كامل لكلا المشكلتين. لمعالجة هذه التحديات بشكل شامل، نقترح نهجًا جديدًا يُسمى التعرف على المجموعة المفتوحة بقليل النماذج مع التكيف بين المجالات (Domain Adaptive Few-Shot Open Set Recognition - DA-FSOS) ونقدم هندسة قائمة على التعلم الأدبي (meta-learning) تُسمى DAFOSNET. أثناء التدريب، يتعلم نموذجنا فضاء تمثيلي مشترك ومميز بينما ينشئ حدود قرار وهمية مفتوحة، بالاعتماد على مجال مصدر مراقب بالكامل ومجال استهداف قليل النماذج غير متداخل في العلامات. لتعزيز كثافة البيانات، نستخدم زوجًا من شبكات الخصومة الشرطية ذات التباين الضوضائي القابل للضبط لتوسيع كلاً من الفضاءات المغلقة والوهمية المفتوحة للمجالين. بالإضافة إلى ذلك، نقترح استراتيجية تنظيم دفعات خاصة بالمجال لتوفيق نماذج الفئات الخاصة بالمجالين عالميًا مع ضمان تميز الفئات من خلال أهداف مقاييس جديدة. يضمن نهجنا في التدريب أن يكون DAFOS-NET قادرًا على التعامل بشكل جيد مع السيناريوهات الجديدة في المجال الهدف. نقدم ثلاثة مقاييس لأداء DA-FSOS تعتمد على مجموعات بيانات Office-Home و mini-ImageNet/CUB و DomainNet ونوضح فعالية DAFOS-NET من خلال التجارب الواسعة النطاق.