Unsupervised Incremental Learning Using Confidence-Based Pseudo-Labels
تقترح هذه الورقة طريقة ICPL، وهي طريقة تعلم تراكمي للفئات غير خاضعة للإشراف تستخدم تسميات مستعارة قائمة على الثقة لتمكين النماذج من تعلم فئات جديدة من بيانات غير مصنفة، محققة أداءً متفوقاً على أساليب class-iNCD الحديثة مع إثبات عمليتها على مجموعات البيانات دقيقة التفاصيل وفي البيئات محدودة الموارد.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم الذكاء الاصطناعي، أصبحت الآلات ماهرة بشكل ملحوظ في التعرف على الأنماط، من تحديد القطط في الصور إلى تشخيص الأمراض. ومع ذلك، غالبًا ما يتم تدريب هذه الأدمغة الرقمية في بيئة محكومة حيث تكون قائمة الأشياء التي تحتاج إلى معرفتها ثابتة وكاملة. أما في العالم الحقيقي، فالوضع أكثر سيولة؛ حيث تظهر أنواع جديدة من الأشياء أو الحيوانات أو المواقف باستمرار، والنظام الذي لا يستطيع التعلم عنها دون إعادة تدريبه بالكامل سيكون محدود المنفعة. يُعرف هذا التحدي باسم "التعلم التدريجي" (incremental learning). والهدف هو تعليم النموذج فئات جديدة بمرور الوقت مع تذكر كل ما تعلمه سابقًا، وهي مهمة تزداد تعقيدًا بسبب ظاهرة تُسمى "النسيان الكارثي" (catastrophic forgetting)، حيث يتسبب تعلم معلومات جديدة في فقدان النظام لمعارفه القديمة. تقليديًا، تطلب حل هذه المشكلة من البشر تسمية كل صورة جديدة يدويًا باسمها الصحيح، وهي عملية بطيئة ومكلفة، وغالبًا ما يكون من المستحيل توسيع نطاقها لتشمل التدفق اللامتناهي من البيانات التي تواجهها الطبيعة أو الصناعة.
لقد اقترح باحث في شركة "تاليس" (Thales) طريقًا مختلفًا للمضي قدمًا، وهو طريق يلغي الحاجة إلى الملصقات البشرية تمامًا خلال مراحل التعلم هذه. فقد طور طريقة تسمى (ICPL)، والتي تسمح للذكاء الاصطناعي بتعليم نفسه حول فئات جديدة من الأشياء باستخدام الصور الخام غير المصنفة فقط. وبدلاً من انتظار إنسان ليقول: "هذا نوع جديد من الطيور"، يقوم النظام بتجميع الصور المتشابهة معًا بناءً على سماتها البصرية، ويخلق أسماء مؤقتة خاصة به لهذه المجموعات. ثم أدخل الباحث آلية أمان لضمان أن النظام لا يثق في تخميناته إلا عندما يكون واثقًا جدًا من صحتها. ومن خلال دمج تقنية التصنيف الذاتي هذه في أطر التعلم الحالية، أظهر أن الآلة يمكنها الاستمرار في تعلم أشياء جديدة على مدى فترة طويلة، مع الاحتفاظ بذاكرتها للماضي دون تدخل بشري.
يتناول جوهر هذا العمل فجوة محددة في كيفية اختبار وبناء هذه الأنظمة. فقد كانت الطرق السابقة للتعامل مع البيانات غير المصنفة تعامل المشكلة كأنها مهمة تجميع بسيطة (clustering)، حيث يقوم الكمبيوتر بمجرد تجميع الأشياء معًا دون الاهتمام بما إذا كانت المجموعات تطابق الواقع. وجادل الباحث بأن هذا النهج معيب بالنسبة للتطبيقات في العالم الحقيقي لأنه يسمح للنظام بأن يكون "مصيبًا" حتى لو خلط بين الفئات القديمة والجديدة. فعلى سبيل المثال، يمكن للنظام أن يصنف خطأً نوعًا جديدًا من السيارات على أنه نوع قديم من السيارات والعكس صحيح، ومع ذلك يحصل على درجة مثالية بموجب قواعد الاختبار القديمة. ولإصلاح ذلك، ابتكر الباحث بروتوكول تقييم جديد يربط العلاقة بين المجموعات التي صنعها الكمبيوتر والفئات الحقيقية في العالم الواقعي. وهذا يضمن أنه عند اختبار النظام، يتم الحكم عليه حقًا بناءً على قدرته على التمييز بين الأشياء المختلفة، وليس فقط على قدرته على فرزها في مجموعات.
لتوليد هذه الملصقات ذاتية الصنع، استخدم الباحث خوارزمية تجميع قياسية تنظم الصور بناءً على مدى تشابهها في التمثيل الداخلي للكمبيوتر. تخيل أن الكمبيوتر ينظر إلى مجموعة من الصور غير المصنفة ويرتبها في عناقيد حيث تقع العناصر المتشابهة بالقرب من بعضها البعض. ثم قام الباحث بحساب درجة الثقة لكل صورة، وقياس مدى ملاءمتها لمجموعتها المخصصة. فإذا كانت الصورة في مركز العنقود تمامًا، كان النظام واثقًا جدًا من ملصقها؛ وإذا كانت على الحافة، كان النظام غير متأكد. ثم تقوم الطريقة باستبعاد الصور غير المؤكدة وتستخدم فقط الصور ذات الثقة العالية لتعليم النموذج. كانت هذه العملية الانتقائية حاسمة، لأن استخدام جميع الملصقات المولدة ذاتيًا، بما في ذلك الملصقات المشوشة والخاطئة، كان سيؤدي إلى تدهور أداء النموذج.
تم اختبار نتائج هذا النهج على مجموعتي بيانات رئيسيتين للصور، إحداهما تحتوي على 100 فئة من الأشياء اليومية والأخرى تحتوي على 100 فئة من الصور الطبيعية. وقارن الباحث طريقته غير الخاضعة للإشراف مع النهج القياسي الخاضع للإشراف، حيث يقدم البشر جميع الملصقات. ووجد أنه بينما أدت طريقة التعلم الذاتي إلى انخفاض طفيف في الدقة مقارنة بالنسخة التي صنفها البشر، إلا أن الفرق كان صغيرًا بشكل مفاجئ. وفي كثير من السيناريوهات، كان فقدان الأداء أقل من عشرة بالمائة، وهو مقايضة اعتبرها الباحث تستحق العناء نظرًا للتوفير الهائل في الوقت والجهد المطلوبين لتصنيف البيانات. والأهم من ذلك، عندما قارن طريقته بالتقنيات الموجودة الأخرى المصممة لاكتشاف فئات جديدة بدون ملصقات، كانت طريقته أفضل بكثير. ففي سيناريوهات التعلم طويل الأمد التي تتضمن العديد من الخطوات التدريجية، تفوقت طريقته على أفضل التقنيات السابقة غير الخاضعة للإشراف بأكثر من خمسة بالمائة في الدقة النهائية.
كما استكشفت الدراسة مدى صمود هذه الطريقة في مواقف العالم الحقيقي الأكثر تعقيدًا حيث تكون الاختلافات بين الفئات دقيقة، مثل التمييز بين سلالات الكلاب المختلفة أو طرازات السيارات. وقد اختبروا النظام على مجموعات بيانات دقيقة (fine-grained)، ووجدوا أنه ظل فعالًا، رغم أنهم أشاروا إلى أن التدريب المسبق للنموذج على مجموعة بيانات عامة ضخمة قبل بدء التعلم التدريجي أدى في الواقع إلى إضعاف الأداء في هذه الحالات المحددة. وهذا يشير إلى أنه بالنسبة للمهام المتخصصة للغاية، فمن الأفضل للنموذج أن يتعلم من الصفر باستخدام البيانات الجديدة بدلاً من الاعتماد على المعرفة الواسعة الموجودة مسبقًا. علاوة على ذلك، حلل الباحث التكلفة الحسابية لطريقته واكتشف أنها ليست فقط أسرع في التدريب، بل تتطلب أيضًا قوة حوسبة أقل من النهج الخاضع للإشراف بالكامل. فمن خلال تصفية البيانات غير المؤكدة، عالج النظام عددًا أقل من الصور، مما قلل من الطاقة والوقت اللازمين للتدريب بنحو الربع مقارنة بالطريقة القياسية.
يُظهر هذا العمل أنه يمكن تصميم الذكاء الاصطناعي للتعلم المستمر من البيانات الخام للعالم دون إشراف بشري مستمر. ومن خلال الجمع بين تقنية تجميع بسيطة ومرشح ثقة صارم وطريقة أكثر دقة لاختبار النتائج، أظهر الباحث مسارًا قابلًا للتطبيق نحو آلات يمكنها التكيف مع المواقف الجديدة كما تنشأ. وتشير النتائج إلى أن حلم وجود ذكاء اصطناعي يتعلم مثل الإنسان — عبر الملاحظة، والتجميع، وصقل فهمه للأشياء الجديدة دون معلم لكل مثال على حدة — أصبح حقيقة عملية، لا سيما في البيئات التي تكون فيها الموارد محدودة والبيانات وفيرة ولكنها غير مصنفة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.