في عالم نماذج التعلم الآلي، تتعرض النماذج دائماً لمشكلات رئيسية مثل انخفاض الأداء عند حدوث تبديل في الفئات الفرعية، وهذا يحدث بشكل خاص عندما تعتمد النماذج على ميزات عابرة تفشل في التعميم عبر الفئات المختلفة. في ظل هذه التحديات، تم مؤخرًا اقتراح إطار عمل جديد يُعرف باسم POTER، والذي يعتمد على النقل الأمثل (Optimal Transport) لتحسين أداء النماذج بشكل ملحوظ.

تعمل معادلات POTER على قياس أهمية العينة من خلال الجيومتري للنقل بين توزيع التدريب وتوزيع مرجعي يتم بناؤه من تعليقات مجموعة التحقق المحدودة. ما يميز POTER هو أنه يقوم بقياس توافق العينة الفردية، مما يسمح بزيادة وزن العينات الأكثر توافقًا مع التوزيع المرجعي وتقليل وزن العينات المضللة أو التي تحمل تحيزات قوية.

تعتبر الضوضاء في البيانات تحديًا كبيرًا، حيث يمكن أن تؤدي العينات المُعلمة بشكل خاطئ إلى تشويش الإشارات المهمة التي تحدد العينات المفيدة. ومع ذلك، فإن POTER يمكّن النماذج من التصرف بذكاء أكبر، من خلال تخفيض الأهمية للعينات المُعلمة بشكل خاطئ، مما يؤدي إلى تحسين عام في الدقة في بيئات البيانات الملوثة.

تُظهر التجارب عبر مجموعة من مؤشرات الأداء الشائعة، أن POTER يحقق أفضل أداء في دقة المجموعة الأسوأ، خصوصاً عندما تكون الفساد في البيانات مركزة في الفئات الفرعية الأقل هيمنة. ومن المثير للاهتمام أن POTER يتطلب فقط مرحلة تدريب واحدة مما يلغي الحاجة للانتقال إلى إعادة التدريب، وهو أمر شائع في الأعمال السابقة.

باختصار، يمثل POTER تحولا حقيقياً في معالجة البيانات الضالة، مما يحسن الأداء ويزيد من موثوقية نماذج التعلم الآلي في مجموعة متنوعة من الظروف.