12 ميغاجول لكل فئة تعلم قليل التدريب التزايدي للصفات عبر الإنترنت على الجهاز

يُمكّن التعلّم القليل الأمثل التدرجي للتصنيف (FSCIL) الأنظمة القائمة على التعلّم الآلي من توسيع قدراتها في التفكير والاستنتاج إلى فئات جديدة باستخدام عدد قليل جدًا من الأمثلة المُعلّمة، دون نسيان الفئات التي تم تعلّمها سابقًا. غالبًا ما تكون التعلمات القائمة على التغذية العكسية التقليدية ومشتقاتها غير مناسبة للأنظمة التي تعمل بالبطارية وتحت قيود الذاكرة في الحافة القصوى. في هذا العمل، نقدّم التعلّم القليل الأمثل التدرجي المباشر (O-FSCIL)، المبني على نموذج خفيف يتكوّن من مُستخرج مُعدّ للاستخدام مسبقًا ومُتدرّب بواسطة التعلّم المتعدد (metalearned) للسمات، بالإضافة إلى ذاكرة صريحة قابلة للتوسّع تخزّن نماذج الفئات (class prototypes). يتم تدريب البنية المعمارية مسبقًا باستخدام تنظيم جديد يُركّز على التقابلية المتعامدة للسمات، ويتم تدريبها بواسطة التعلّم المتعدد باستخدام خسارة متعددة الحدود (multi-margin loss). لتعلّم فئة جديدة، يُمتدّ الذاكرة الصريحة بإضافة نماذج فئة جديدة، بينما يُبقي باقي البنية دون تغيير (مجمّدة). يُمكّن هذا النهج من تعلّم فئات لم تُرَ من قبل باستخدام عدد قليل جدًا من الأمثلة في عملية واحدة فقط (وهذا ما يُسمّى بالتعلّم المباشر). تحقّق O-FSCIL دقة متوسّطة قدرها 68.62% على معيار FSCIL الخاص بـ CIFAR100، مما يُمكّنها من تحقيق أفضل النتائج المُحققة حتى الآن. وتمّ تكييفها خصيصًا للمنصات ذات الطاقة المنخفضة جدًا، حيث نُفذت O-FSCIL على معالج GAP9 بقدرة استهلاكية 60 ميغاواط، مما يُظهر قدرة التعلّم المباشر ضمن استهلاك طاقة لا يتجاوز 12 ميلي جول لكل فئة جديدة.