IA-GM: طريقة تعلم ثنائي الاتجاه العميقة للتطابق الرسومي

تُعتبر الطرق الحالية للتعلم العميق لمشاكل التوافق الرسومي (GM) تُركّز عادةً على تعلّم التماثل (affinity learning) لمساعدة التحسين التوافقي في أنبوب تدفق أمامي (feedforward pipeline)، حيث يتم تنفيذ تعلّم المعلمات من خلال تمرير الخلفي للدرجات (back-propagating the gradients) لخسارة التوافق. ومع ذلك، يُهمل هذا النوع من الأنابيب بشكل كبير الفوائد المتكاملة المحتملة التي يمكن أن تُقدّمها طبقة التحسين للعنصر المتعلّم. في هذا البحث، نتجاوز هذه القيود ضمن إطار تعلّم ثنائي الاتجاه (deep bidirectional learning). يُعيد طريقة العمل تدفق مخرجات طبقة تحسين التوافق الرسومي (GM optimization layer) إلى مدخلات تعلّم التماثل، بحيث يتم دمجها مباشرةً. يُعزّز هذا التغذية المرتدة المباشرة المدخلات من خلال تقنية تكامل وتحسين الميزات، والتي تستغل الأنماط العالمية للتوافق الناتجة عن الانحراف في التماثل الناتج عن التقدير الحالي للتوافق. وبذلك، يُمكّن التدفق من تمكين المكون المتعلّم من الاستفادة من عملية التحسين، مع الاستفادة من كلاً من السمات العالمية والنتيجة المدمجة (embedding) التي تُحسب عبر الانتشار المحلي عبر الجيران العقدويين. علاوةً على ذلك، يُولّد التماسك في التدفق خسارة غير مراقبة (unsupervised loss) يمكن تنفيذها بشكل منفصل أو جماعي لتنظيم الخسارة المراقبة. وأظهرت التجارب على مجموعات بيانات صعبة فعالية طريقة العمل في كل من التعلّم المراقب وغير المراقب.