تعتبر عملية دمج المعرفة الميدانية في الشبكات العصبية العميقة (Deep Neural Networks) من الطرق الواعدة لتحسين القدرة على التعميم (Generalization). تتجه الأساليب الحالية إلى استخدام المعرفة السابقة في دالة الخسارة أو تطبيق وحدات معالجة ما بعد (Post-processing Modules)، ولكن هذه الطرق تتطلب تحديد المعرفة الرمزية المفيدة لدمجها. وفي ظل عدم توفر مثل هذه القواعد في العديد من مهام الرؤية الحقيقية، تقدم هذه الدراسة طريقة جديدة لاكتشاف المعرفة المستهدفة.

نقدم في هذا البحث وحدة معرفة قابلة للاشتقاق (Differentiable Knowledge Unit - DKU) التي تقوم بتعديل تسجيلات المصنف (Classifier Logits)، مما يؤدي إلى تحسين احتمالات التصنيف. تستخدم وحدة DKU قواعد الاقتضائية (Implication Rules) لتمثيل العلاقات بين فئات المهام والمفاهيم الضمنية التي يتم تعلمها بالكامل من إشراف المهمة الرئيسية، دون الحاجة إلى تسميات المفاهيم. تُحدَّد المفاهيم من خلال مصنفات مخصصة، ويتم تمرير احتمالاتها إلى DKU جنبًا إلى جنب مع احتمالات الفئة الرئيسية.

تقوم وحدة DKU بحساب متجه تعديل قائم على المنطق من خلال الاستدلال الضبابي (Fuzzy Inference)، والذي يضبط تسجيلات الفئة الرئيسية، مما ينتج احتمالات مصنفة محسنة. وعندما تمثل مصنفات المفاهيم مفاهيم لا تدعم هيكل القاعدة المنطقية، فإن التعديلات الناتجة على احتمالات الفئات لا تقلل مباشرة من خسارة الإشراف. بالتالي، فإن تحسين خسارة الإشراف على هذه الاحتمالات المعدلة يدرب بشكل غير مباشر مصنفات المفاهيم.

نعمل على بناء قاعدة القواعد بحيث تربط العلاقات المنطقية ثنائية الاتجاه بين المفاهيم والفئات، ونفرض على هذه المفاهيم أن تكون متميزة عن بعضها البعض وبالنسبة للفئات. هذه التصميم يدعم الإشارة النقية للإشراف من أجل تعلم المفاهيم. تم تقييم طرقنا على مجموعات بيانات PASCAL-VOC وCOCO وMedMNIST، حيث أظهرنا تحسينًا ملحوظًا من خلال دمج المعرفة عبر هذه المجموعات.

أجرينا دراسات حول التعميم العام ودراسات استبعاد العينات الصعبة، وأظهرت نتائجنا أن اكتشاف المعرفة الضمني ودمجه يتفوقان على الأساليب السابقة.