تعلم الخصائص النسبية الفعّال باستخدام الشبكات العصبية الرسومية

تُقدّم كمية كبيرة من الأبحاث المتعلقة بالسمات النسبية أدلة قوية على أن ربط أزواج من الصور على طول مقياس مستمر للقوة المُتعلقة بسمة بصرية يؤدي إلى تحسينات كبيرة في مجموعة واسعة من المهام المتعلقة بالرؤية الحاسوبية. في هذا البحث، نُظهر كيف يمكن لأفكار جديدة تتعلق بشبكات الرسوم البيانية العصبية (Graph Neural Networks) أن تُقدّم حلًا موحدًا لمشكلات متعددة تندرج ضمن نطاق تعلّم السمات النسبية. تكمن الفكرة الأساسية في إدراك أن تعلّم السمات النسبية يستفيد بطبيعته من استغلال البنية الرسومية للعلاقات التبعية بين السمات النسبية المختلفة للصور، خاصةً عندما تكون البيانات التدريبية تحتوي فقط على ترتيب جزئي للسمات النسبية. نستخدم عملية تبادل الرسائل (message passing) داخل نموذج رسومي احتمالي لتنفيذ تعلّم متكامل من البداية إلى النهاية، بهدف تطوير تمثيلات مناسبة للصور وعلاقاتها، فضلًا عن التفاعل بين السمات المختلفة، بحيث تتماشى إلى أقصى حد مع التسميات المقدمة. تُظهر تجاربنا أن هذا الإطار البسيط للتعلّم المتكامل باستخدام الشبكات العصبية الرسومية فعّال جدًا في تحقيق دقة تنافسية مقارنةً بالطرق المتخصصة في تعلّم السمات النسبية وتنبؤ السمات الثنائية، مع تقليل كبير في متطلبات البيانات التدريبية و/أو عدد المعلمات أو كليهما.