التعلم بلقطة واحدة (One-Shot Learning)

التعلم بلقطة واحدة (OSL) هو مهمة تصنيف ضمن تعلم الآلة (ML) حيث يتم تدريب نموذج للتعرف على فئة كائن جديد من مثال واحد فقط. على عكس نماذج التعلم العميق التقليدية التي تتطلب كميات هائلة من بيانات التدريب، يهدف OSL إلى محاكاة القدرة البشرية على التعلم عن مفهوم جديد من مثيل واحد. وهذا يجعله ذا قيمة خاصة في السيناريوهات التي يكون فيها جمع البيانات مكلفًا أو صعبًا أو مستحيلًا. الفكرة الأساسية ليست تعلم تصنيف الكائنات مباشرة، بل تعلم دالة تشابه يمكنها تحديد ما إذا كانت صورتان تنتميان إلى نفس الفئة.

كيف يعمل التعلم بلقطة واحدة (One-Shot Learning)

بدلاً من تدريب نموذج لتحديد فئات معينة، يتم تدريب نماذج OSL عادةً على مهمة مختلفة: تحديد ما إذا كانت صورتا الإدخال متماثلتين أم مختلفتين. إحدى البنى الشائعة المستخدمة لهذا الغرض هي شبكة Siamese، التي تتكون من شبكتين عصبيتين (neural networks) متطابقتين تشتركان في نفس الأوزان (weights). تعالج كل شبكة إحدى صورتي الإدخال لإنشاء تضمين (embedding)—وهو تمثيل رقمي مضغوط للصورة.

بعد ذلك، يقارن النموذج هذين التضمينين لحساب درجة التشابه. أثناء تدريب النموذج، تتعلم الشبكة إنتاج تضمينات متشابهة لصور من نفس الفئة وتضمينات مختلفة لصور من فئات مختلفة. بمجرد التدريب، يمكن للنموذج تصنيف صورة جديدة عن طريق مقارنتها بـ "لقطة" واحدة أو مثال من كل فئة معروفة. يتم تعيين الصورة الجديدة للفئة التي حصلت على أعلى درجة تشابه. يعتمد هذا النهج بشكل كبير على استخلاص الميزات الجيد لبناء تمثيلات قوية.

العلاقة بنماذج التعلم الأخرى

OSL هو جزء من عائلة أوسع من طرق التعلم المصممة لسيناريوهات البيانات المنخفضة:

• التعلم بعدد قليل من اللقطات (Few-Shot Learning (FSL)): تعميم لـ OSL حيث يتعلم النموذج من عدد صغير من الأمثلة (على سبيل المثال، 2 إلى 5) لكل فئة، بدلاً من مثال واحد فقط. يوفر FSL معلومات أكثر من OSL، مما يؤدي غالبًا إلى أداء أفضل.
• التعلم الصفري (ZSL): نموذج أكثر تحديًا حيث يجب على النموذج التعرف على الفئات التي لم يرها مطلقًا أثناء التدريب، عادةً عن طريق تعلم تعيين بين الميزات المرئية والأوصاف الدلالية عالية المستوى.
• التعلم الفائق: غالبًا ما يطلق عليه "التعلم للتعلم"، هذا النهج يدرب نموذجًا على مجموعة واسعة من مهام التعلم لتمكينه من حل المهام الجديدة بكفاءة أكبر. تعتمد العديد من تقنيات OSL و FSL على مبادئ التعلم الفائق، كما هو موضح في الأبحاث من مؤسسات مثل BAIR في جامعة كاليفورنيا بيركلي.
• التعلم بالنقل (Transfer Learning): يتضمن ذلك استخدام نموذج مدرب مسبقًا على مجموعة بيانات كبيرة (مثل ImageNet) ثم ضبطه بدقة على مجموعة بيانات أصغر ومحددة. على الرغم من ارتباطه بـ OSL، إلا أن OSL يركز على التعلم من مثال واحد دون ضبط دقيق مكثف.

تطبيقات واقعية

التعلم بلقطة واحدة فعال للغاية في المواقف التي تكون فيها البيانات نادرة.

1. التعرف على الوجوه: يمكن لأنظمة الأمان استخدام OSL لتحديد شخص ما بعد عرض صورة واحدة فقط. يتعلم النظام إنشاء توقيع وجه فريد (تضمين) ويمكنه بعد ذلك التعرف على هذا الشخص من زوايا مختلفة وفي ظروف إضاءة متنوعة. يُستخدم هذا في تطبيقات تتراوح من فتح الهواتف الذكية إلى تأمين الوصول إلى المباني. ورقة بحثية مبكرة ومؤثرة، DeepFace من Facebook AI، أظهرت قوة الشبكات العميقة لهذه المهمة.
2. اكتشاف الأدوية: في علم الأدوية، يعد تحديد جزيئات جديدة يمكن أن تصبح أدوية فعالة عملية مكلفة. يمكن استخدام OSL لبناء نماذج تتنبأ بخصائص جزيء جديد بناءً على مثال واحد معروف بخصائص مرغوبة. وهذا يسرع عملية الفحص، كما نوقش في الأبحاث حول التعلم العميق القائم على الرسوم البيانية لتطوير الأدوية.

التحديات والاتجاهات المستقبلية

التحدي الرئيسي في OSL هو التعميم. يجب أن يتعلم النموذج الجوهر الأساسي للفئة من مثال واحد دون الإفراط في التخصيص لميزاته المحددة. وبالتالي، فإن جودة المثال الواحد أمر بالغ الأهمية. تركز الأبحاث الجارية، مثل العمل الذي تم تسليط الضوء عليه في Papers with Code، على تطوير تمثيلات ميزات أكثر قوة واستراتيجيات التعلم الفائق المتقدمة. يمكن أن يؤدي دمج قدرات OSL في منصات الرؤية للأغراض العامة مثل Ultralytics HUB إلى توسيع استخدامها بشكل كبير في البيئات محدودة البيانات. مع ازدياد قوة النماذج، يعد تقييمها باستخدام مقاييس الأداء المناسبة في ظل هذه الظروف الصعبة أيضًا مجالًا رئيسيًا للدراسة.