تصحيح التحيز، وضبط، وتحسين أداء التعلم شبه المشرف من خلال مُسَيِّر بسيط للمجموعات

دراسات حديثة حول التعلم شبه المشرف (Semi-Supervised Learning - SSL) حققت نجاحًا كبيرًا. على الرغم من أدائها الواعد، تتجه الأساليب الرائدة حاليًا نحو تصاميم معقدة بشكل متزايد على حساب إدخال المزيد من مكونات الشبكة وإجراءات التدريب الإضافية. في هذا البحث، نقترح طريقة بسيطة تُسمى "المشغّلات المجمعة لدعم التعلم شبه المشرف" (Ensemble Projectors Aided for Semi-supervised Learning - EPASS)، والتي تركز بشكل أساسي على تحسين الترميزات المُتعلمة لتعزيز أداء الإطارات المشتركة للتعلم التضادي شبه المشرف الحالية. على عكس الطرق القياسية، حيث يتم تخزين الترميزات المُتعلمة من مشغل واحد في بنوك الذاكرة لاستخدامها مع التعلم التضادي، فإن EPASS تخزن الترميزات المجمعة من عدة مشغلات في بنوك الذاكرة. نتيجة لذلك، تحسن EPASS قابلية التعميم، وتقوّي تمثيل الخصائص، وتعزز الأداء. على سبيل المثال، تحسن EPASS خطوط الأساس القوية للتعلم شبه المشرف بنسبة 39.47٪/31.39٪/24.70٪ في معدل الخطأ الأول (Top-1 Error Rate) باستخدام فقط 100 ألف/1٪/10٪ من البيانات المُعلَّمة لـ SimMatch، وتحقق نسبة 40.24٪/32.64٪/25.90٪ في معدل الخطأ الأول لـ CoMatch على مجموعة بيانات ImageNet. هذه التحسينات ثابتة عبر الأساليب والهياكل الشبكية ومجموعات البيانات المختلفة، مما يثبت الفعالية العامة للأساليب المقترحة. يمكن الوصول إلى الكود عبر الرابط: https://github.com/beandkay/EPASS.