في عالم التعلم القليل (Few-Shot Learning)، تلعب عملية اختيار العينات دورًا حاسمًا في أداء النماذج. رغم أن استراتيجيات اختيار العينات الفعالة معروفة في الإعدادات الموجهة، إلا أن الأبحاث المتعلقة بنماذج اللغات الكبيرة (Large Language Models) غالبًا ما تتجاهل هذه الاستراتيجيات، وتفضل أساليب مخصصة لتعلم السياق.

في ورقتنا البحثية الجديدة، نقدم طريقة مبتكرة تحمل اسم دمج تلقائي لاستراتيجيات اختيار العينات (ACSESS). تهدف هذه الطريقة إلى استغلال نقاط القوة والتكامل بين الأهداف المحددة لاختيار العينات المعروفة. أجرينا دراسات مقارنة لتسعة وعشرين استراتيجية اختيار عينة عبر خمسة نماذج في التعلم السياقي وثلاثة نهجات للتعلم القليل (التعلم المتكرر، التحسين القليل) على ستة مجموعات بيانات نصية وثمانية مجموعات بيانات صور.

أظهرت النتائج أن دمج الاستراتيجيات من خلال طريقة ACSESS يتفوق بشكل مستمر على جميع استراتيجيات الاختيار الفردية، ويمنح أداءً مماثلاً أو متفوقًا على المعايير المحددة لتعلم السياق. والأهم من ذلك، أن اختيار العينات ظل فعالاً حتى على مجموعات البيانات الأصغر، حيث حقق أعلى فائدة عند اختيار القليل من العينات، بينما تقل الفائدة مع زيادة عدد العينات المختارة.

هذا التطور في استراتيجيات اختيار العينات يفتح أفقًا جديدًا أمام تحسين أداء نماذج التعلم القليل، مما يوفر فرصًا كبيرة للابتكار في هذا المجال. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.