في مجالات تعلم الآلة، تعتبر توافر البيانات أحد أكبر التحديات، خاصة عند التعامل مع مجموعات البيانات الصغيرة. كثيرة هي الحلول التي يعتمد عليها الباحثون، لكن تقنية تحسين البيانات التوليدية (Generative Data Augmentation) تستحوذ على الأنظار كحل مبتكر. ومع ذلك، كانت الطرق السابقة تفتقر إلى التركيز على احتياجات النماذج المستخدمة في التصنيف.

هنا تظهر تقنية "التعلم الديناميكي المدرك للحالة (LSADA)"، التي تقوم بإنشاء حالة تعلم مخصصة لكل عينة بناءً على خسارتها الحالية ومعدل انخفاض الخسارة. هذه الخطوة تعزز من القوة المتعلقة بالتحسين، مما يعكس الاحتياجات الفعلية لنموذج التصنيف.

تتميز "LSADA" أيضاً بتقديم استراتيجية دمج ما بين تحسين البيانات ودمج انتشار (diffusion fusion)، حيث يتم تطبيق تحولات محكومة بالقوة على المناطق ذات الصلة بالصنف، مع إنشاء مناطق متنوعة غير مرتبطة بالصنف. هذه الطريقة تساهم في زيادة تنوع الصور مع الحفاظ على السيمات الخاصة بالأصناف.

عند إجراء التجارب على تسع مجموعات بيانات عامة، أثبتت "LSADA" قدرتها على outperform الطريقة الديناميكية السابقة بمتوسط تحسين بلغ 4.5% على مجموعة البيانات الطبيعية، و2.5% على الصورة الطبية.

باختصار، تعد هذه التقنية بفتح آفاق جديدة في عالم تحسين البيانات مما يمكن الباحثين والمطورين من الحصول على نتائج أفضل في تصنيف الصور.