التعلّم دفعة واحدة

كيف يعمل التعلُّم دفعة واحدة

بدلاً من تعلُّم ربط المدخلات مباشرةً بتسمية فئة من العديد من الأمثلة، تتعلم نماذج OSL عادةً دالة تشابه. وتتمثل الفكرة الأساسية في تحديد مدى تشابه المثال الجديد غير المرئي (الاستعلام) مع المثال الوحيد المتاح (الدعم) لكل فئة. إذا كان مثال الاستعلام مشابهًا إلى حد كبير لمثال الدعم لفئة معينة، يتم تعيين تسمية تلك الفئة. يتضمن ذلك غالبًا استخدام بنيات التعلّم العميق (DL) مثل الشبكات السيامية، والتي تعالج مدخلين في وقت واحد لتحديد التشابه بينهما. وغالبًا ما يتم تدريب هذه الشبكات مسبقًا على مجموعات بيانات كبيرة (مثل ImageNet) باستخدام التعلم النقلي لتعلم تمثيلات قوية للميزات قبل تكييفها مع مهمة OSL من خلال تقنيات مثل التعلم المتري.

المفاهيم الأساسية في التعلّم من دفعة واحدة

• مجموعة الدعم: يحتوي هذا على المثال المُسمّى الوحيد المقدم لكل فئة يحتاج النموذج إلى التعلم منها.
• مجموعة الاستعلام: يحتوي هذا على الأمثلة غير المسماة التي يحتاج النموذج إلى تصنيفها بناءً على مجموعة الدعم.
• تعلّم التشابه/المقياس: عملية تعلم دالة المسافة أو المقياس الذي يقيس التشابه بين نقاط البيانات، وهي عملية حاسمة لمقارنة أمثلة الاستعلام بأمثلة الدعم.
• التدريب العرضي: وهي استراتيجية تدريب شائعة حيث يتم تدريب النموذج على العديد من المهام الصغيرة (الحلقات) التي تم أخذ عينات منها من مجموعة بيانات أكبر لمحاكاة سيناريو اللقطة الواحدة أثناء التدريب.

التعلم دفعة واحدة مقابل النماذج ذات الصلة

يتطلب فهم لغة لغة الإشارة المفتوحة تمييزها عن المفاهيم ذات الصلة:

• تعلم اللقطات القليلة (FSL): يعتبر تعلم اللقطات القليلة متغيراً متطرفاً من تعلم اللقطات القليلة. في حين يستخدم التعلُّم عن طريق اللقطات القليلة مثالاً واحدًا فقط لكل فئة، يستخدم التعلُّم عن طريق اللقطات القليلة عددًا صغيرًا (k > 1، عادةً 5 أو 10) من الأمثلة لكل فئة. كلاهما يعالج ندرة البيانات ولكنهما يختلفان في عدد العينات المتاحة. يمكنك قراءة المزيد حول هذه النماذج في منشور المدونة الخاص بنا حول فهم التعلم قليل اللقطات، والتعلم الصفري، والتعلم التناقلي.
• التعلّم من الصفر (ZSL): تعالج ZSL مشكلة أصعب: تصنيف الحالات من الفئات التي لم تتم رؤيتها أثناء التدريب. يتم تحقيق ذلك عادةً من خلال الاستفادة من المعلومات الإضافية، مثل السمات الدلالية أو الأوصاف النصية، التي تربط بين الفئات التي تمت رؤيتها والفئات غير المرئية. تتطلب طريقة OSL رؤية مثال واحد، بينما تتطلب طريقة ZSL عدم رؤية أي أمثلة ولكنها تحتاج إلى سياق دلالي إضافي.
• تعلّم النقل والضبط الدقيق: بينما يستخدم التعلّم بالنقل غالبًا التعلّم بالنقل (التدريب المسبق على مجموعة بيانات كبيرة)، إلا أن الهدف مختلف. عادةً ما يفترض تعلم النقل القياسي أو الضبط الدقيق توفر كمية معقولة من البيانات المستهدفة للتكيف، في حين أن التعلم النقلي القياسي أو الضبط الدقيق يتعامل تحديداً مع قيد المثال الواحد. غالبًا ما تتضمن تقنيات مثل نماذج Ultralytics YOLO للتدريب المخصص في كثير من الأحيان ضبط الأوزان المدربة مسبقًا، ولكن عادةً ما يكون ذلك بأكثر من مثال واحد لكل فئة.

التطبيقات الواقعية

تتيح تقنية OSL العديد من التطبيقات التي كانت تعيقها قيود البيانات في السابق:

1. التعرف على الوجه: قد تحتاج أنظمة الأمان أو الأجهزة الشخصية إلى التعرف على شخص ما أو التحقق من هويته بعد تسجيله بصورة فوتوغرافية واحدة فقط. ويجري المعهد الوطني للمعايير والتكنولوجيا والابتكار والتكنولوجيا اختبارات مكثفة على تقنيات التعرف على الوجه، ويواجه العديد منها تحديات مماثلة في اللقطات القليلة أو اللقطة الواحدة.
2. اكتشاف الكائنات النادرة: في مجالات مثل مراقبة جودة التصنيع أو الحفاظ على الحياة البرية، قد يكون تحديد العيوب النادرة أو الأنواع المهددة بالانقراض ممكنًا فقط من خلال مثال واحد أو عدد قليل جدًا من الأمثلة السابقة. بينما نماذج مثل Ultralytics YOLO11 تتفوق في الكشف عن الكائنات مع وجود بيانات كافية، يمكن لتقنيات OSL أن تعززها في الفئات النادرة للغاية.
3. التحقق من التوقيع: التحقق من صحة توقيع الشخص بناءً على توقيع مرجعي واحد مخزّن في ملف. تستكشف الأبحاث التعلم العميق لهذه المهمة، وغالباً ما يكون ذلك في أنظمة البيانات المنخفضة.
4. اكتشاف العقاقير: تحديد الأدوية الجديدة المرشحة المحتملة المرشحة أو التنبؤ بخصائص الجزيئات بناءً على نتائج تجريبية محدودة للغاية، مما يسرّع عملية البحث. تُظهر الدراسات تطبيق تقنية OSL في التنبؤ بالتفاعلات بين الدواء والهدف.

التحديات والتوجهات المستقبلية

يتمثل التحدي الأساسي في نظام الدعم التشغيلي في التعميم: كيف يمكن للنموذج أن يتعلم جوهر الفئة بشكل موثوق من مثال واحد فقط دون الإفراط في التعميم؟ يصبح اختيار وجودة مثال الدعم الفردي مهمًا للغاية. وتركز الأبحاث الجارية على تطوير تمثيلات أكثر قوة للميزات، ومقاييس تشابه أفضل، والاستفادة من تقنيات مثل التعلم الفوقي ("التعلم للتعلم") لتحسين أداء نموذج الدعم الفردي. يمكن أن يؤدي دمج إمكانات OSL في نماذج ومنصات الرؤية للأغراض العامة مثل Ultralytics HUB إلى توسيع نطاق تطبيقها بشكل كبير في البيئات المقيدة بالبيانات. ويتطلب تقييم نماذج برمجيات التعلم البرمجي التشغيلي التشغيلي دراسة متأنية لمقاييس الأداء في ظل هذه الظروف الصعبة.