💻 computer science

CARE: Class-Adaptive Expert Consensus for Reliable Learning with Long-Tailed Noisy Labels

تقترح الورقة البحثية إطار عمل CARE، وهو إطار عمل فعال من حيث المعلمات يستخدم آلية إجماع الخبراء المتكيفة مع الفئات عبر الاستفادة من إشارات نماذج الرؤية واللغة لمعالجة التحديات المركبة المتمثلة في التوزيعات ذات الذيل الطويل والتسميات الضوضائية، وذلك من خلال تطبيق اتفاق أكثر صرامة للفئات ذات الذيل واتفاق أكثر تسامحاً للفئات الرأسية.

المؤلفون الأصليون: Mengke Li, Haiquan Ling, Lihao Chen, Yang Lu, Yiqun Zhang, Hui Huang

نُشر 2026-05-25

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Mengke Li, Haiquan Ling, Lihao Chen, Yang Lu, Yiqun Zhang, Hui Huang

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

تخيل أنك تحاول تعليم طالب جديد (نموذج ذكاء اصطناعي) كيفية التعرف على الحيوانات من ألبوم صور ضخم. ولكن هناك مشكلتان كبيرتان في هذا الألبوم:

مشكلة "الذيل الطويل" (The Long Tail Problem): الألبوم مليء بصور الكلاب والقطط (فئات "الرأس")، ولكن هناك فقط بضع صور باهتة لحيوانات نادرة مثل الأوكابي أو البنغولين (فئات "الذيل").
مشكلة "الملصقات المشوشة" (The Noisy Label Problem): الشخص الذي كتب الأسماء على الصور ارتكب أخطاءً؛ فقد صنف كلباً على أنه قطة، أو صنف بنغوليناً نادراً على أنه سنجاب شائع.

حاولت معظم الطرق السابقة معالجة هاتين المشكلتين بشكل منفصل. فإما حاولت موازنة عدد الصور أو حاولت العثور على الأسماء الخاطئة وإصلاحها. لكن الورقة البحثية تجادل بأن نهج "القاعدة الواحدة التي تناسب الجميع" هذا يفشل. الأمر يشبه استخدام كتاب قواعد صارم واحد لطالب يعرف كل شيء عن الكلاب وطالب آخر يرى البنغولين لأول مرة؛ فالقواعد الصارمة تربك المبتدئ، بينما القواعد المتساهلة تسمح للخبير بارتكاب أخطاء مستهترة.

الحل: CARE (التصحيح المتكيف مع الفئات باستخدام الخبراء)

يقترح المؤلفون طريقة جديدة تسمى CARE. فكر في CARE ليس كمعلم واحد، بل كـ لجنة من ثلاثة قضاة خبراء يصوتون على ما يوجد في كل صورة.

إليك كيف يعمل هؤلاء "الخبراء" الثلاثة:

خبير النصوص: هذا القاضي قد قرأ كل الكتب المتعلقة بالحيوانات. ينظر إلى الصورة ويقول: "بناءً على وصف 'البنغولين'، يبدو هذا بنغوليناً". إنه يستخدم المعرفة اللغوية لتخمين الملصق (الاسم).
خبير الصور: هذا فنان بصري درس آلاف الصور. ينظر إلى الأشكال والألوان ويقول: "بصرياً، هذا يطابق البنغولين".
خبير الملصق الأصلي: هذا هو الملصق الأصلي المعيب المكتوب على الصورة. ورغم أنه غالباً ما يكون خاطئاً، إلا أنه لا يزال يحتوي على بعض الإشارات المفيدة، خاصة للحيوانات الشائعة مثل الكلاب.

السر الكامن وراء النجاح: "الإجماع المتكيف مع الفئة" (Class-Adaptive Consensus)

سحر CARE لا يكمن فقط في وجود ثلاثة خبراء، بل في كيفية تصويتهم.

للحيوانات الشائعة (الرأس): هناك الآلاف من صور الكلاب. يمكن للقضاة أن يكونوا أكثر استرخاءً؛ فإذا اتفق خبير النصوص وخبير الصور على أنه كلب، فسيقبلون ذلك حتى لو قال الملصق الأصلي إنه "قطة". لا يحتاجون للتأكد بنسبة 100% لأن هناك الكثير من البيانات التي تدعم ذلك.
للحيوانات النادرة (الذيل): هناك فقط بضعة صور للبنغولين، وهذه الحالات تكون صعبة. إذا قال الملصق الأصلي "سنجاب"، فيجب على خبير النص وخبير الصور أن يكونوا واثقين للغاية وأن يتفقا مع بعضهما البعض لتجاوز هذا الملصق. إذا كان لديهما أدنى شك، فإن CARE يحتفظ بالملصق الأصلي أو يتعامل معه بحذر.

التشبيه:
تخيل اجتماعاً في بلدة لتقرير اسم شارع جديد.

الفئات الشائعة (الرأس): إذا قال 100 شخص "الشارع الرئيسي"، وقال شخص واحد "شارع البلوط"، فنحن نثق في الـ 100. لا نحتاج لعدد أصوات صارم جداً.
الفئات النادرة (الذيل): إذا كان هناك 3 أشخاص فقط في الغرفة، وقال اثنان "شارع البلوط"، بينما قال الثالث (الملصق الأصلي) "الشارع الرئيسي"، فلا يمكننا ببساطة اتباع رأي الأغلبية. يجب أن نكون حذرين للغاية. ربد يكون الشخص الثالث هو المصيب، أو ربما الاثنان الآخران على حق. تقول CARE: "دعونا نغير الاسم فقط إذا كان الخبيران يصرخان بالاتفاق. إذا كانا يهمسان فقط، فسنلتزم بالأصل أو ننتظر مزيداً من الأدلة".

لماذا يعمل هذا بشكل أفضل؟

حاولت الأساليب السابقة إصلاح جميع الأسماء الخاطئة بالتساوي، مما أدى غالباً إلى جعل الأمور أسوأ بالنسبة للحيوانات النادرة؛ حيث كان الذكاء الاصطناعي يرتبك بسبب التشويش ويتوقف عن التعلم عنها تماماً.

يعالج CARE هذا الأمر من خلال:

تصفية الضجيج: يتجاهل ملصق "السنجاب" على صورة البنغولين لأن خبير النص وخبير الصور يختلفان معه بشدة.
حماية النادر: لا يقوم بتغيير ملصقات الصور النادرة القليلة بشكل عدواني إلا إذا كانت الأدلة دامغة، مما يمنع الذكاء الاصطناي من "الإفراط في التصحيح" وفقدان القليل من الحقيقة التي كانت لديه.

النتائج

اختبر المؤلفون CARE على بيانات اصطناعية (مجموعات بيانات مشوشة مصطنعة) وبيانات واقعية فوضوية (مثل الصور من الإنترنت).

النتيجة: تفوق CARE باستمرار على أفضل الأساليب الموجودة.
المكسب: حسن الدقة بنسبة تصل إلى 3.0%. وفي عالم الذكاء الاصطناعي، تعتبر هذه قفزة هائلة.
الدليل: عندما نظروا إلى "معدلات الضجيج" (كم عدد الملصقات الخاطئة المتبقية)، تمكن CARE من تنظيف الفئات النادرة بشكل أفضل بكثير من الطرق الأخرى، والتي عادة ما تترك الفئات النادرة مليئة بالأخطاء.

الملخص

CARE هو نظام ذكي يعرف متى يكون صارماً ومتى يكون مرناً. يستخدم الحكمة المشتركة للنصوص والصور والملصقات الأصلية لتنظيف البيانات الفوضوية. والأهم من ذلك، أنه يعامل العناصر النادرة بعناية فائقة، مما يضمن تعلم الذكاء الاصطناعي كيفية التعرف على "الذيل الطويل" للأشياء النادرة دون أن يرتبك بسبب الضجيج. إنه أداة "جاهزة للاستخدام" تجعل الذكاء الاصطناعي أكثر موثوقية عند التعلم من بيانات حقيقية غير مثالية.

ملخص تقني: CARE: إجماع الخبراء المتكيف مع الفئات للتعلم الموثوق من الملصقات طويلة الذيل والمشوبة بالضجيج

1. تعريف المشكلة

تواجه تطبيقات تعلم الآلة في العالم الحقيقي كثيرًا تحديًا مركبًا: توزيعات الفئات طويلة الذيل (حيث تحتوي فئات "الذيل" على عينات قليلة وفئات "الرأس" على عينات كثيرة) متزامنة مع الملصقات المشوبة بالضجيج (أخطاء في التسمية/التوسيم). تعالج الأساليب الحالية هذه المشكلات بشكل منفصل عادةً؛ فأساليب التعلم طويل الذيل غالبًا ما تفترض وجود ملصقات نظيفة، مما قد يؤدي إلى تضخيم الخطأ في التسمية للفئات النادرة. وعلى العكس من ذلك، فإن أساليب تعلم الملصقات المشوبة بالضجيج تفترض غالبًا وجود فئات متوازنة، مما يؤدي إلى استبعاد عينات ذيل قيمة أو الإفراط في التنظيم (over-regularization) لفئات الرأس.

ثمة ملاحظة حاسمة أوردها المؤلفون وهي أن تصحيح الملصقات غير المتكيف مع الفئات غير كافٍ. فالطرق القياسية غالبًا ما تطبق معدلات ضجيج أو استراتيجيات تصحيح موحدة عبر جميع الفئات. وهذا لا يراعي حقيقة أن فئات الذيل غالبًا ما تظهر مستويات ضجيج أعلى بسبب ندرة البيانات وصعوبة التوسيم. إن تطبيق التصحيح الموحد يمكن أن يؤدي إلى:

عدم كفاية التصحيح لفئات الذيل، مما يتركها بمعدلات ضجيج عالية وأداء ضعيف.
الإفراط في التنظيم لفئات الرأس، حيث يتم التخلص من معلومات قيمة أو تصحيحها بشكل مفرط.
تدهور الأداء العام، كما هو موضح في التجارب حيث لم يترجم خفض معدل الضجيج العالمي إلى مكاسب في الدقة، لا سيما في فئات الذيل.

2. المنهجية: إطار عمل CARE

يقترح المؤلفون إطار إجماع الخبراء المتكيف مع الفئات (CARE)، وهو إطار عمل فعال من حيث المعلمات، مصمم للتعلم بقوة من البيانات طويلة الذيل والمشوبة بالضجيج دون إدخال معلمات قابلة للتدريب إضافية لآلية التصحيح نفسها. يستفيد CARE من ثلاثة مصادر إشراف متكاملة مشتقة من نماذج الرؤية واللغة (VLMs)، وتحديدًا نموذج CLIP:

2.1. ثلاثة مصادر للخبراء

خبير النص (TE): يستخدم مشفر نص CLIP مجمدًا لتوليد أولويات دلالية. يقوم بدمج تسميات الفئات في مساحة مشتركة بين الرؤية والدلالة، مما يوفر درجات ثقة بناءً على المحاذاة بين النص والصورة دون ضبط دقيق (fine-tuning).
خبير الصورة (IE): يستخدم مشفر صورة CLIP تم ضبطه بدقة عبر AdaptFormer (وهي طريقة فعالة من حيث المعلمات) للمهمة النهائية المحددة. يوفر هذا درجات ثقة دلالية-بصرية مخصصة لنطاق الهدف.
الخبير الأساسي (BE): يعتمد على التسميات المرصودة الأصلية (المشوبة بالضجيج). ورغم أنها قد تكون غير موثوقة، إلا أن هذه التسميات تحتفظ بمعلومات قيمة تشير إلى الفئة، خاصة للفئات الرأسية ذات البيانات الوفيرة.

2.2. إجماع الخبراء المتكيف مع الفئات

الابتكار الجوهري لـ CARE هو آلية إجماع مدركة للفئة تعدل استراتيجية التصحيح ديناميكيًا بناءً على تكرار الفئة ( $n_c$ ).

التصويت المتكيف بـ Top-K: بدلًا من العتبة العالمية، يختار CARE أفضل $K_c$ $K_{c}$ تنبؤات من خبير النص وخبير الصورة لكل فئة $c$ $c$ . وتكون قيمة $K_c$ $K_{c}$ متناسبة مع تكرار الفئة ( $K_c \propto n_c$ $K_{c} \propto n_{c}$ ).
- فئات الرأس (عالية التكرار): يتم تخصيص $K$ أكبر لها. يسم old هذا بوجود اتفاق أكثر تسامحًا، مما يحافظ على الملصقات عالية الثقة ويتجنب التصفية المفرطة.
- فئات الذيل (منخفضة التكرار): يتم تخصيص $K$ أصغر لها. هذا يفرض إجماعًا أكثر صرامة، مما يتطلب اتفاقًا أقوى بين الخبراء للتحقق من صحة الملصق، وبالتالي قمع التداخل الناجم عن الضجيج في الفئات شحيحة البيانات.
تراكم التكرار: يقوم إطار العمل بتجميع درجات الثقة من جميع الخبراء الثلاثة (TE، IE، BE) في توزيع تكرار تراكمي $F_c$ $F_{c}$ .
- إذا ظهر الملصق المرصود في قائمة Top- $K$ لأحد الخبراء، فإن ثقة هذا الخبير تعزز الملصق.
- إذا لم يكن الملصק المرصود ضمن قائمة Top- $K$ ، فإن الخبير يساهم فقط بتنبؤات Top- $K$ الخاصة به، مما يمنع تعزيز الملصقات التي يحتمل أن تكون مشوبة بالضجيج.
تصحيح الملصقات: يتم تحديد الملصق المصحح للعينة بناءً على الفئة ذات التكرار التراكمي الأعلى. تعمل هذه العملية على تنقية توزيع الملصقات بشكل متكرر، مما يقلل معدلات الضيج ويقترب من التوزيع النظيف الأصلي.

2.3. التكامل مع معايرة الذيل الطويل

بمجرد تصحيح الملصقات، يتكامل CARE مع تقنيات تعلم الذيل الطويل القياسية، مثل تعديل اللوغاريتم (Logit Adjustment - LA)، باستخدام الأولويات الفئوية المقدرة حديثًا والمشتقة من الملصقات المصححة. يضمن ذلك أن يكون النموذج معايرًا للتوزيع المصحح والأكثر دقة.

3. المساهمات الرئيسية

تحديد فجوة حرجة: يوضح المؤلفون أن مجرد خفض معدل الضجيج العالمي عبر الطرق غير المتكيفة مع الفئات يفشل في تحسين الأداء في ظل التوزيعات طويلة الذيل. لقد سلطوا الضوء على أن فئات الذيل تتطلب استراتيجيات تصحيح أكثر صرامة وتحديدًا لتجنب تدهور الأداء.
إطار عمل فعال من حيث المعلمات: يوحد CARE بين تصحيح الملصقات المشوبة بالضجيج ومعايرة الذيل الطويل دون إضافة معلمات قابلة للتعلم إلى وحدة التصحيح. فهو يستفيد من نماذج الرؤية واللغة المدربة مسبقًا واستراتيجية ضبط دقيق خفيفة الوزن (AdaptFormer).
آلية إجماع مدركة للفئة: اقتراح آل pconsensus (إجماع) ديناميكي لـ Top- $K$ يتكيف مع تكرار الفئة. هذا يوازن نظريًا بين الحاجة إلى قمع صارم للضجيج في فئات الذيل والحاجة إلى الحفاظ على الإشارات في فئات الرأس.
التحقق التجريبي: أظهرت التجارب المكثفة على مجموعات البيانات الاصطناعية (CIFAR-100-LTN) والواقعية (WebVision-50, Food101N, ImageNet-LTNr) تفوقًا مستمرًا على الأساليب الحديثة.

4. النتائج التجريبية

يسجل البحث مكاسب كبيرة في الأداء عبر أنواع مختلفة من الضجيج (متماثل، غير متماثل، مشترك) وعوامل عدم التوازن (IF = 10, 50, 100).

المقارنات الاصطناعية (CIFAR-100-LTN):
- في حالة الضجيج المشترك مع IF=100 و NR=50%، يحقق CARE دقة 76.7%، متفوقًا على CLIP+LA بنسبة 1.4% وعلى CLIP+RLA بنسبة 10.0%.
- في حالة الضجيج المتماثل (IF=10, NR=60%)، يصل CARE إلى 79.2%، متفوقًا على CLIP+LA بنسبة 3.2%.
المقارنات الواقعية:
- WebVision-50: يحقق CARE دقة 85.3% (Top-1)، وهي الأعلى بين الطرق المقارنة.
- Food101N: يتفوق CARE على CLIP+RLA بفارق كبير (على سبيل المثال، +6.9% عند IF=100) ويتفوق على CLIP+LA بنسبة تصل إلى 0.4%.
- ImageNet-LTNr: يحسن CARE الأداء باستمرار مقارنة بأساليب CE و LA تحت ظروف عدم التوازن المتوسط والشديد.
دراسات الاستئصال (Ablation Studies):
- يؤدي إزالة أي خبير واحد (TE أو IE) إلى عدم حدوث أي تحسن، مما يؤكد أن الإجماع التعاوني أمر بالغ الأهمية.
- تعمل الطريقة بفعالية على تقليل معدلات الضجيج عبر جميع تقسيمات الفئات، لا سيما لفئات الذيل (تقليل ضجيج الذيل من 72.8% إلى 53.3% في إحدى التجارب).
- يتعمم إطار العمل عبر هياكل مختلفة (ResNet, MLP-Mixer) ونماذج VLM (مثل BLIP)، مما يشير إلى أن قوته مدفوعة بآلية الإجماع وليس بهيكل محدد.

5. الأهمية والادعاءات

يزعم البحث أن CARE يعالج قصورًا جوهريًا في نماذج التعلم الحالية: وهو افتراض أن الضجيج موحد أو أن استراتيجيات التصحيح يجب أن تكون غير متكيفة مع الفئات. من خلال تقديم إجماع خبراء متكيف مع الفئات، ينجح CARE بفعالية في الفصل بين عدم اليقين الجوهري (الناتج عن ندرة البيانات) وبين ضجيج التوسيم.

يؤكد المؤلفون أن نهجهم:

يعزز الموثوقية: ينتج توزيعات ملصقات أكثر موثوقية، لا سيما لفئات الذيل غير الممثلة كفاية، والتي غالبًا ما تكون هي العائق في التطبيقات الواقعية.
يحسن التعميم: من خلال منع الإفراط في التنظيم لفئات الرأس وعدم كفاية التصحيح لفئات الذيل، يحقق CARE إشرافًا أكثر توازنًا وتعميمًا أفضل للنموذج بشكل عام.
القابلية للتطبيق العملي: الطريقة "جاهزة للاستخدام" (plug-and-play)، ومتوافقة مع مختلف الهياكل (backbones) وخسائر تعلم الذيل الطويل الموجودة، مما يجعلها حلاً عمليًا للتعلم من البيانات غير المثالية في العالم الحقيقي حيث يكون التنسيق عالي الجودة أمرًا غير ممكن.

يخلص العمل إلى أن التعلم الفعال من البيانات طويلة الذيل والمشوبة بالضجيج لا يتطلب فقط تقليل الضجيج، بل يتطلب تصحيحًا مدركًا للفئة يحترم الخصائص الإحصائية المحددة لكل فئة.