تعزيز اكتشاف الفئات الجديدة عبر المجالات باستخدام التعلم التبايني الناعم وال Classifier واحد لكل شيء

أثبت التكييف غير المراقب للنطاق (UDA) فعاليته العالية في نقل المعرفة من نطاق مصدري غني بالعلامات إلى نطاق مستهدف ناقص العلامات. ومع ذلك، أدى وجود فئات جديدة إضافية في النطاق المستهدف إلى تطوير مفاهيم التكييف المفتوح للنطاق (ODA) والتكييف الشامل للنطاق (UNDA). تعامل الطرق الحالية لـ ODA وUNDA مع جميع الفئات الجديدة كفئة مجهولة واحدة موحدة، وتحاول اكتشافها أثناء التدريب. ولكننا وجدنا أن التباين بين النطاقات يمكن أن يؤدي إلى تفاقم مشكلة الضوضاء في الرؤى الناتجة عن التكبير غير المراقب للبيانات، مما يؤثر على فعالية التعلم التبايني (CL) ويسبب نموذجًا يُظهر تأكيدًا مفرطًا في اكتشاف الفئات الجديدة. لمعالجة هذه المشكلات، تم اقتراح إطار عمل يُسمى شبكة سان (SAN) ذات التباين الناعم والمتعددة الوظائف (Soft-contrastive All-in-one Network) للتعامل مع مهام ODA وUNDA. يتضمن إطار SAN خسارة جديدة تعتمد على تكبير البيانات وتُسمى التعلم التبايني الناعم القائم على التكبير (SCL)، والتي تُستخدم لضبط النموذج الأساسي لتحسين نقل الميزات، بالإضافة إلى تصنيفٍ أكثر تماشيًا مع الفهم البشري لتحسين قدرة اكتشاف الفئات الجديدة. تُقلل خسارة SCL من الآثار السلبية لمشكلة ضوضاء الرؤى الناتجة عن التكبير، وهي مشكلة تتفاقم في المهام المتعلقة بنقل النطاق. كما يتجاوز التصنيف الشامل (AIO) مشكلة التأكيد المفرط التي تواجهها التصنيفات الحالية ذات النطاق المغلق والفتحي. أظهرت تجارب التصور والتحليل التجريبي فعالية الابتكارات المقترحة. علاوةً على ذلك، أظهرت النتائج التجريبية الواسعة على مهام ODA وUNDA أن SAN يتفوق على الطرق الرائدة الحالية.