مسافات متغيرة للتعلم القليل

يتطلب التعرف على الكائنات قدرة على التعميم لتجنب التكيف الزائد، خاصة عندما تكون العينات نادرة جدًا. يُعد التعميم من عينات محدودة، والذي يُدرس عادة ضمن إطار التعلم التشاركي (meta-learning)، مُجهزًا لتقنيات التعلم بالقدرة على التكيّف السريع في البيئات الديناميكية، ويُعد جانبًا أساسيًا للتعلم مدى الحياة. في هذا البحث، نقدّم إطارًا لتعلم القليل من الأمثلة (few-shot learning) من خلال تقديم تصنيفات ديناميكية تُبنى من عدد قليل من العينات. ويُستخدم أسلوب الفضاء الجزئي (subspace method) كوحدة مركزية في التصنيف الديناميكي. وسنُظهر تجريبيًا أن هذا النموذج يُعزز المقاومة أمام الاضطرابات (مثل القيم الشاذة) ويُحقّق نتائج تنافسية في مهام التصنيف القليل من الأمثلة المُراقب والشبه المُراقب. كما نطوّر صيغة تمييزية (discriminative form) يمكنها رفع الدقة بشكل إضافي. يُمكن الوصول إلى الكود الخاص بنا عبر الرابط التالي: https://github.com/chrysts/dsn_fewshot