التكديس العميق من خلال تحسين القصّة النسبية الاحتمالية

نُقدّم نهجًا جديدًا لتحسين تقسيم المخطط بناءً على معيار "النسبة المقطوعة" (ratio-cut)، من خلال نمذجة التعيينات الثنائية كمتغيرات عشوائية. ونقدّم حدًا علويًا لقيمة النسبة المقطوعة المتوقعة، بالإضافة إلى تقدير غير متحيّز لمشتقتها، لتمكين تعلّم معاملات متغيرات التعيين في بيئة تعلّم آنيّة. يتفوّق التقسيم الناتج عن نهجنا الاحتمالي (PRCut) على تعميم قياس رايلي (Rayleigh quotient) للمشكلة التوافقيّة، وعلى توسيعاته التي تعتمد على التعلّم الآني، وكذلك على عدة طرق شائعة الاستخدام. ونُظهر أن تقسيم PRCut يتماشى بشكل وثيق مع مقياس التشابه، ويمكنه أن يُحقق أداءً يُعادل أداء فاصل مُدرّب بعلم التصنيف عندما تُوفّر قيم التشابه القائمة على التصنيفات. يمكن لهذا النهج الجديد الاستفادة من تمثيلات ذاتية مُعدّة مسبقًا (out-of-the-box) للتعلّم الذاتي لتحقيق أداء تنافسي، ويُمكن استخدامه كأداة لتقييم جودة هذه التمثيلات.