التعلم بدون طلقة

يُعد التعلم بدون طلقة (ZSL) أحد إعدادات المشكلات في التعلم العميق.في وقت الاختبار، يلاحظ المتعلم عينات من الفصول التي لم يلاحظها أثناء التدريب ويحتاج إلى التنبؤ بالفصل الذي ينتمي إليه. تمت دراسة هذه المشكلة على نطاق واسع في مجالات الرؤية الحاسوبية، ومعالجة اللغة الطبيعية، والإدراك الآلي. الهدف الرئيسي من Zero-Shot هو اكتساب القدرة على التنبؤ بالنتائج دون أي عينات تدريب، حيث يتعين على الجهاز التعرف على الكائنات من الفئات التي لم يتم تدريبه عليها أثناء التدريب. يعتمد التعلم من الصفر على نقل المعرفة، والتي تكون موجودة بالفعل في الأمثلة المقدمة أثناء التدريب.

أهمية وتطبيقات التعلم من الصفر

• إن عملية تصنيف البيانات تعد مهمة تتطلب جهدًا مكثفًا، ويمكن استخدام التعلم من البداية عندما يكون هناك نقص في بيانات التدريب لفئة معينة؛
• يمكن نشر التعلم من الصفر في السيناريوهات التي يتعين فيها على النموذج أن يتعلم مهمة جديدة دون إعادة تعلم المهام التي تم تعلمها مسبقًا؛
• تحسين قدرة التعميم لنماذج التعلم الآلي؛
• يمكن أن تكون طريقة الصفر طريقة أكثر كفاءة لتعلم معلومات جديدة من الطرق التقليدية (على سبيل المثال التعلم عن طريق التجربة والخطأ)؛
• كما أن التعلم من الصفر مفيد أيضًا في العثور على التأثيرات المرئية في تصنيف الصور واكتشاف الكائنات؛
• يدعم Zero Lens أيضًا تطوير العديد من أطر العمل العميقة مثل إنشاء الصور واسترجاع الصور.

مراجع

【1】https://en.wikipedia.org/wiki/Zero-shot_learning

【2】https://www.analyticsvidhya.com/blog/2022/12/know-about-zero-shot-one-shot-and-few-shot-learning/#h-zero-shot-learning