تعتبر البيانات الخاطئة تحدياً حاسماً في تدريب الشبكات العصبية العميقة، حيث تؤدي إلى تقليل القدرة على التعميم بشكل ملحوظ. عادةً، إذا تم التعرف على العينات الخاطئة بعد التدريب، فمن المتعارف عليه إعادة تدريب النموذج من البداية على مجموعة البيانات المعالجة. ولكن هذا الحل يصبح مكلفاً بشكل متزايد مع زيادة حجم البيانات والنماذج.

مؤخراً، ظهرت تقنية "التعلم الآلي غير المكتمل" (Machine Unlearning) كبديل فعال من حيث التكلفة، لكنها لا تزال تفتقر إلى فهم واضح حول الفعالية النسبية لاستراتيجياتها المختلفة في تصحيح البيانات الخاطئة. قامت الدراسة الحالية بإجراء دراسة تجريبية مقارنة بين خمس طرق مختلفة للتعلم الآلي غير المكتمل: "NegGrad" و"Fine-Tuning (FT)" و"Random Labeling (RL)" و"SalUn" و"MUNBa"، عبر أنواع مختلفة من الضوضاء.

توصل الباحثون إلى أن الاستراتيجية المناسبة للتخلص من البيانات تعتمد على هيكل الضوضاء الموجود. وقد أثبتت طريقة "Fine-Tuning" أنها خيار قوي في معظم السيناريوهات المغلقة، بينما كانت "Random Labeling" و"SalUn" الأكثر قوة وثباتاً. تحت ظروف الضوضاء التي تعتمد على العينات، كانت هذه الاستراتيجيات قريبة من دقة إعادة التدريب ولكن بتكلفة حسابية أقل بكثير. بينما أظهرت طريقة "MUNBa" فوائد أساسية في ظل وجود ضوضاء متجانسة عالية.

في جميع الاختبارات التي أجريت على مجموعة بيانات "Food-101N"، حققت كافة طرق التعلم الآلي غير المكتمل نتائج تنافسية، قريبة من إعادة التدريب، رغم تقليل وقت التنفيذ بشكل كبير. يقدم هذا البحث إرشادات عملية لاختيار استراتيجيات التعلم الآلي غير المكتمل للحصول على تصحيحات ذات جودة عالية للبيانات بعد التدريب.

ما هي آرائكم حول هذه الاستراتيجيات الجديدة في التعامل مع الضوضاء في البيانات؟ شاركونا بتعليقاتكم!