في سعي الباحثين لمواجهة التحديات المرتبطة بتدريب نماذج متعددة المهام (multi-task models) على مجموعات بيانات جزئية التسمية، تم الكشف عن إمكانيات مثيرة لتقنيات التعلم شبه المراقب الثابت (invariant semi-supervised learning) والمتغير (equivariant). تستند هذه الدراسة إلى استخدام طريقة FixMatch الشهيرة والتوسع المتغير Dense FixMatch.

يركز البحث على تقييم أداء هذه الأساليب في سياق مهام رؤية الحاسوب الشائعة، بما في ذلك كشف الكائنات (object detection) والتقطيع الدلالي (semantic segmentation)، مع إجراء التجارب على مجموعات البيانات Cityscapes وBDD100K. تم مراعاة أحجام مختلفة من المجموعات الفرعية المعنونة لكل مهمة واحتمال وجود تداخل بينها.

أظهرت النتائج أن كل من التعلم شبه المراقب الثابت والمتغير يتفوق على نماذج المراقبة في أغلب الحالات، مع ملاحظة تحسينات أكبر عندما تكون العينات المعنونة لنموذج معين أقل. بشكل عام، أظهرت الأساليب المتغيرة نتائج أفضل.

تشير دراستنا إلى أن التعلم الثابت والمتغير يمكن أن يكون اتجاهاً واعداً في تعلم المهام المتعددة باستخدام بيانات محدودة التسمية، مما يفتح آفاقاً جديدة للبحث في هذا المجال.