الشبكة البروتوتيبية التباينية مع عقوبة الثقة واسرستاين

يهدف التعلم القليل المُحَفَّز غير المُراقب إلى استخلاص التحيز الاستنتاجي من مجموعة بيانات غير مُصنفة لحل المهام القليلة الجديدة. تتبع النماذج الحالية للتعلم القليل غير المُراقب والنماذج القائمة على التعلم التمييزي نموذجًا موحدًا. ولهذا السبب، أجرينا دراسة تجريبية ضمن هذا النموذج ووجدنا أن التمييز الزوجي، والخسائر الوظيفية (meta losses)، وحجم الدفعة الكبير يُعدّان عوامل تصميم مهمة. وقد أدى ذلك إلى تطوير نموذجنا CPN (شبكة بروتوبيلية تمييزية)، التي تجمع بين خسارة البروتوبيلية والتقييم الزوجي، وتتفوّق على النماذج الحالية ضمن هذا النموذج باستخدام حجم دفعة معتدل ومتزايد. علاوةً على ذلك، قد يؤدي الهدف التنبؤي من نوع one-hot في CPN إلى تعلُّم معلومات مخصصة للعينة. ولحل هذه المشكلة، نقترح عقوبة الثقة واسيرشتاين (Wasserstein Confidence Penalty)، التي تفرض عقوبة مناسبة على التنبؤات المفرطة بالثقة بناءً على العلاقات الدلالية بين الفئات الوهمية. ويحقق نموذجنا الكامل، CPNWCP (شبكة بروتوبيلية تمييزية مع عقوبة الثقة واسيرشتاين)، أداءً متقدمًا على مستوى الحالة الحالية (state-of-the-art) على مجموعتي بيانات miniImageNet وtieredImageNet في البيئة غير المُراقبة. يمكن الوصول إلى الكود الخاص بنا عبر الرابط: https://github.com/Haoqing-Wang/CPNWCP.