تواجه النماذج العميقة تحديات كبيرة عند تدريبها على بيانات تحتوي على تسميات ضوضائية، مما يؤدي إلى ضعف في تعميم الأداء وتدهور الدقة بسبب الاعتماد على الضوضاء في التسميات. وعادةً ما تعتمد الأساليب الحالية لتعلم البيانات مع تسميات ضوضائية على وجود مجموعة نظيفة من البيانات لتحسين الأداء. لكن الآن، تم تقديم نهج مبتكر يتيح تدريب نماذج أكثر مقاومة للضوضاء بدون الحاجة إلى مجموعة تضم تسميات نظيفة.

هذا النهج يتضمن إجراء "التدريب المسبق" على مُستخرج الميزات باستخدام التعلم الذاتي غير المشرف (Self-Supervised Learning - SSL) على مجموعة البيانات المستهدفة، تليها مرحلة تدريب خاضع للإشراف باستخدام نفس مجموعة البيانات المشوشة. وقد ثبت أن هذا الأسلوب يعزز دقة التصنيف بشكل كبير، خاصةً عند زيادة مستوى الضوضاء.

تم تقييم كل من الأساليب المعتمدة على التعلم الذاتي غير المشرف التقليدي وغير التقليدي عبر تجارب على بيانات تحمل ضوضاء تركيبية وواقعية. وأثبتت النتائج أن نموذجنا الجديد ليس فقط قادرًا على زيادة دقة التصنيف، بل أيضًا على الكشف عن أخطاء التسميات، مما يظهر فعاليته في مجموعة متنوعة من المهام المعتمدة على البيانات ونماذج الهيكل المختلفة.

والأهم من ذلك، أن نموذجنا الجديد حقق نتائج مماثلة لنماذج مثل ImageNet وDinoV2 عندما كانت مستويات الضوضاء منخفضة، بينما تفوق بنسبة ملحوظة تحت ظروف الضوضاء العالية. هذا الابتكار يمهد الطريق لتطبيقات أوسع في أدوات الذكاء الاصطناعي، حيث يمكن التغلب على تحديات البيانات المشوشة.