تعتبر تحسين البيانات (Data Augmentation) إحدى الدعائم الأساسية في عمليات تعلم العمق (Deep Learning)، إلا أن الأساليب الحالية تعالجها كخطوة معالجة مسبقة ثابتة وغير مرتبطة بالنموذج، مما يحد من فعاليتها. في هذا السياق، يبرز ActiveAugment كإطار عمل موحد يعيد صياغة كيفية اختيار تحسين البيانات من خلال معالجة ذلك كمسألة تعلم نشط عبر الإنترنت.

يقدم ActiveAugment نهجا مبتكرا، حيث يقوم بتوليد مجموعة من الاختيارات المحتملة للتغييرات المُعزَّزة لكل مجموعة تدريب وإعطاء درجات لتلك الاختيارات بناءً على عدم اليقين التنبؤي للنموذج والفروق الميزات التي تحدثها التعزيزات. يتم اختيار التعزيز الذي يظهر فيه النموذج هشاشة أكبر لكل عينة، ثم يتم تدريب النموذج باستخدام هدف تصنيف مُباشر وتحويلي يتطلب الحفاظ على ثبات الفئات الداخلية بينما يحافظ على تباين الفئات الخارجية.

تمت تجربة ActiveAugment على ثمانية مجموعات بيانات مرجعية تغطي التصوير الطبي والطبيعي، باستخدام بنى الشبكات العصبية الالتفافية (CNN) وtransformers عبر ثلاثة أنظمة تدريب مختلفة. وأظهرت النتائج أن ActiveAugment يتفوق على استراتيجيات التحسين التلقائي الأخرى مثل AutoAugment وRandAugment وTrivialAugment في جميع المجالات والميزانيات، مع تحقيق ganhos ملحوظة في ميزانيات التسمية المنخفضة.

في سياق التصوير الطبي، حيث تكون البيانات شحيحة والنقل إلى النماذج المدربة مسبقاً كبيراً، حقق ActiveAugment F1 مرتفعاً أعلى من جميع القواعد الأساسية، مما يدل على مرونة قوية عبر المجالات المختلفة. تكشف تحليلاتنا أن سياسة اختيار التعزيز تتطور بشكل هادف خلال التدريب، وأن اختيار الاستراتيجية يؤثر بشكل مباشر على قدرة النموذج على التعميق والفهم.

إذا كنت مهتماً بالتفاصيل، يمكنك الاطلاع على الكود المتاح هنا [ActiveAugment GitHub]. هل تعتقد أن هذا التطور يمكن أن يغير قواعد اللعبة في تعلم العمق؟ شاركونا آراءكم في التعليقات!