في عصر البيانات الضخمة، أصبحت عمليات تصنيف الصور أكثر تعقيدًا نظرًا للنمو السريع في مجموعات البيانات. ومع ذلك، تبقى مسألة اختيار مجموعة تمثيلية للتدريب واحدة من أكبر التحديات التي تواجه الباحثين والمطورين. إليكم كيف يمكن لإطار عمل جديد يجمع بين تقنيات اختيار المجموعات التمثيلية (Coreset Selection) وتجميع النماذج (Ensemble Aggregation) أن يُحدث ثورة في هذا المجال.

تم تقديم نهج مبتكر يسمى SCOre-Stratified Selection (SCOSS)، والذي يعمل على تقسيم البيانات التدريبية إلى فترات بناءً على نقاط معينة (Scores) واختيار عينات من كل فترة. يتيح هذا الأسلوب تحسين عملية التعليم ويختصر الوقت والموارد المطلوبة.

يهتم الباحثون في تقديم أداء متميز من خلال مقارنة الأداء باستخدام عيّنات تم اختيارها بشكل عشوائي وأخرى بناءً على توازن الفئات. من خلال الاستعانة بخوارزميات مثل Simple Graph Convolution (SGC) و Support Vector Machine (SVM)، أظهرت التجارب أن SCOSS لا تُنافس فقط، بل إنها تمثل الخيار الأفضل في كثير من الحالات، خاصة مع SGC.

الأهم من ذلك، أنه في حالة استخدام أقل عدد ممكن من العينات، تمكّن SCOSS من تحقيق نتائج تفوق نتائج SVM، مما يجعلها خياراً واعداً في تصنيف الصور.

للاطلاع على المزيد من المعلومات والكود المصدري، يمكنكم زيارة موقع SCOSS. ما رأيكم في أهمية استخدام مثل هذه التقنيات لتحسين أداء نماذج الذكاء الاصطناعي في المستقبل؟ شاركونا أفكاركم في التعليقات!