التصنيف بدون أمثلة باستخدام الحوسبة عالية الأبعاد

التصنيف القائم على التعلم الصفري (ZSL) يُعدّ قدرة النموذج على تصنيف المدخلات ضمن فئات جديدة لم يُرَّدْ عليها أي أمثلة تدريبية من قبل. ومن بين الطرق المفضلة لحل هذه المهمة الصعبة، تقديم وصف مساعد على شكل مجموعة من الخصائص التي تصف الفئات الجديدة المشاركة في التصنيف القائم على التعلم الصفري. في هذا العمل، مستوحى من حسابات الأبعاد الزائدة (HDC)، نقترح استخدام كتب رموز ثنائية ثابتة تمثل تمثيلات موزعة على شكل رموز داخل مشفر الخصائص، بهدف تمثيل موجز لنموذج قابل للتدريب من الطرفين (end-to-end) بسيط حسابيًا، ونسميه مصنّف التعلم الصفري القائم على الحوسبة الأبعاد الزائدة (HDC-ZSC). يتكون النموذج من مشفر صور قابل للتدريب، ومشفر خصائص مبني على HDC، ونواة تشابه. نُظهر أن HDC-ZSC يمكن استخدامه أولًا لأداء مهام استخراج الخصائص الصفريّة، ثم يمكن إعادة توجيهه لمهام التصنيف الصفري بتعديلات معمارية بسيطة جدًا وتكرار تدريب نموذج ضئيل جدًا. حقق HDC-ZSC نتائج مثلى من حيث التوازن (Pareto optimal)، مع دقة تصنيف أولية بنسبة 63.8% على مجموعة بيانات CUB-200، وباستخدام فقط 26.6 مليون معلمة قابلة للتدريب. مقارنةً بنموذجين آخرين من أحدث النماذج غير المولدة (non-generative)، حقق HDC-ZSC دقة أعلى بنسبة 4.3% و9.9% على التوالي، بينما تتطلب هذه النماذج أكثر من 1.85 مرة و1.72 مرة من عدد المعلمات مقارنةً بـ HDC-ZSC، على التوالي.