اكتشاف الخوارزميات: مقارنة شاملة لأهداف التدريب في الكشف عن البيانات غير المتطابقة في تصنيف الصور

تُعتبر عملية الكشف عن البيانات غير المتطابقة (OOD) أداة حيوية في العديد من التطبيقات التي تتطلب مستويات عالية من الأمان والموثوقية. ورغم أن التحديات المتعلقة بهذا الأمر تم تناولها من زوايا متعددة، إلا أن تأثير أهداف التدريب على أداء النموذج في هذا السياق لا يزال مجالاً غير مستكشف بشكل كافٍ.

في ورقة بحثية حديثة، تم تقديم مقارنة نظامية بين أربعة أهداف تدريبية واسعة الاستخدام، وهي: خسارة الاعتبار المتقاطعة (Cross-Entropy Loss)، خسارة النموذج الأولي (Prototype Loss)، خسارة ثلاثيات الأبعاد (Triplet Loss)، وخسارة الدقة المتوسطة (Average Precision Loss). تسلط هذه الدراسة الضوء على كيفية تأثير كل من هذه الأهداف على أداء نماذج الكشف عن البيانات غير المتطابقة، مستندةً إلى بروتوكولات OpenOOD القياسية.

النتائج التي توصلت إليها الدراسة، والتي تمت تجربتها في بيئة ResNet-18/OpenOOD، تُظهر أن كل من خسارة الاعتبار المتقاطعة وخسارة النموذج الأولي وخسارة الدقة المتوسطة تحقق دقة متساوية في البيانات المتطابقة. ومع ذلك، فقد أظهرت خسارة الاعتبار المتقاطعة أداءً ثابتًا في الكشف عن البيانات غير المتطابقة البعيدة والقريبة، مما يجعلها الخيار الأكثر موثوقية بشكل عام. وفي الطرف الآخر، يمكن أن تكون الأهداف الأخرى تنافسية في إعدادات معينة.

في هذا السياق، يتوجه البحث نحو إعادة التفكير في كيفية تصميم أهداف التدريب لتعزيز القدرة على التعرف على البيانات غير المعروفة، وهو أمر بالغ الأهمية في تطوير أنظمة ذكاء اصطناعي مختلفة وأكثر فاعلية.