تخفيف التوافق الضوضائي من خلال التعلم بالاتساق الهيكلي الهندسي

المراسلات الضوضائية التي تشير إلى عدم التطابق في أزواج البيانات متعددة الأوضاع (cross-modal data pairs) شائعة في المجموعات的数据集（datasets） التي يتم تدوينها من قبل البشر أو الزحف لها عبر الإنترنت. الطرق السابقة للاستفادة من مثل هذه البيانات تركز بشكل أساسي على تطبيق تعلم التسميات الضوضائية الأحادية الوضع (uni-modal noisy label learning) دون تعديل التأثير على الهياكل الهندسية بين الأوضاع وداخل الأوضاع في التعلم متعدد الأوضاع. في الواقع، نجد أن كلتا الهيكلتين فعالتان في تمييز المراسلات الضوضائية من خلال الاختلافات الهيكلية عندما تكون مبنية بشكل جيد. مستوحىً من هذا الملاحظ، نقدم طريقة التوافق الهندسي (Geometrical Structure Consistency - GSC) لاستنتاج المراسلة الحقيقية. بصفة خاصة، تعمل GSC على ضمان حفظ الهياكل الهندسية داخل الأوضاع وبينها، مما يسمح بتمييز العينات الضوضائية بدقة بناءً على الاختلافات الهيكلية. باستخدام هذه التسميات الحقيقية المستنتجة، تقوم GSC بتحسين تعلم الهياكل الهندسية من خلال تصفيه العينات الضوضائية. التجارب التي أجريت على أربع مجموعات بيانات متعددة الأوضاع أكدت أن GSC تحدد العينات الضوضائية بكفاءة وتتفوق بشكل كبير على الأساليب الرائدة الحالية.注：在阿拉伯语中，"数据集" 通常翻译为 "مجموعات بيانات"。为了保持句子的流畅性和正式性，我在这里对 "datasets" 进行了相应的翻译。同时，对于一些不常见的术语如 "cross-modal data pairs" 和 "uni-modal noisy label learning"，我在首次出现时保留了原文的标注。