في عالم الاكتشافات الآلية، تمثل تصنيفات "الحقيقي" و"المزيف" خطوة حاسمة لضمان دقة النتائج. يتزايد الاعتماد على الاستبيانات في تحليل البيانات، لكن المشاكل تظهر عندما تكون التسميات البشرية مكلفة أو قد تعاني من الضوضاء. هنا، نقدم إطار عمل جديد مصمم لضمان تصنيف موثوق للبيانات.

يستخدم هذا الإطار بيانات مُعزَّزة مع حالات مزيفة ويعتمد على الشبكات المزدوجة (dual-network) لتعلّم قوي حتى في ظل التعقيد الذي تطرحه التسميات غير المحددة. إنه نظام مبتكر يهتم بكيفية مواجهة وقياس عدم اليقين، وهو أمر لم يكن ممكناً سابقاً بدون الاعتماد على بيانات بشرية.

عند اختبار الإطار، أظهرت النتائج أداءً قوياً في تصنيف حالات "الحقيقي" و"المزيف" على مجموعة بيانات مرجعية. علاوة على ذلك، تم تحسين مستويات عدم اليقين باستخدام استراتيجيات هجينة تجمع بين تقنيات مثل MC dropout والفرق العميق (deep ensembles) لتحقيق أداء أعلى بشكل فعال.

الأهم من ذلك، يفتح هذا البحث آفاقاً جديدة للتصنيف دون الحاجة إلى الاعتماد على بيانات بشرية، مما يعزز من قدرة النظام على الاستجابة للاحتياجات المتزايدة في هذا المجال. كما أن النهج القائم على الحقن يضمن استمرارية ودقة التدريب، مما يسمح للمراكز البحثية بالتكيف بسرعة مع الاستبيانات المستقبلية.