التفتيت الهيكلي للنمط للتعلم متعدد المهام

مستوحاة من الملاحظة التي تشير إلى تكرار هياكل النمط بشكل متكرر في الفضاءات الداخلية داخل المهمة وكذلك عبر المهام المختلفة، نقترح إطارًا يُسمى "انتشار هيكل النمط" (PSD) لاستخراج ونشر هياكل النمط الخاصة بكل مهمة وهياكل النمط المشتركة عبر المهام في الفضاء ذي المستوى المهمة، وذلك بهدف التقدير المشترك لعمق الصورة، والتقسيم، وتقدير الاتجاه السطحي. ولتمثيل هياكل النمط المحلية، نُمثّلها على شكل "مخططات صغيرة" (graphlets) ذات حجم صغير، ونُنفّذ انتشارها بطريقتين مختلفتين: انتشار داخلي بين المهام (intra-task PSD) وانتشار بين المهام (inter-task PSD). أما بالنسبة للانتشار الداخلي، فإننا نستخدم عملية تجميع متعددة الرتب (high-order recursive aggregation) على الجيران لتجاوز حدود التماسك المحلي لهياكل النمط، بحيث يتم توسيع نطاق الانتشار بشكل مضاعف، مما يسمح بنقل الأنماط البعيدة المدى داخل الفضاء الداخلي للمهمة. أما في انتشار النمط بين المهام، فإننا نقوم بنقل المقابلات الهيكلية المتناظرة ذات الموقع المكاني نفسه إلى المهمة نفسها، بناءً على درجة التوافق بين أزواج هياكل النمط. في النهاية، يتم دمج انتشار هياكل النمط الداخلي والخارجي ضمن هياكل النمط على مستوى المهمة، وتُعبّأ جميعها في شبكة نهائية (end-to-end) تُسمى PSD، بهدف تعزيز أداء التعلم متعدد المهام. أظهرت التجارب الواسعة على معيارين شائعين الاستخدام أن إطارنا المقترح (PSD) أكثر فعالية، ويحقق نتائج متميزة أو تنافسية على مستوى الحد الأقصى المُحقَّق في المجال.