تشهد أبحاث الذكاء الاصطناعي تقدمًا كبيرًا في عدد من المجالات، ولكن ماذا عن طريقة اكتشاف الفئات الجديدة؟ في دراستنا الحديثة، نعرض مفهوم "الاكتشاف العام للفئات" (Generalized Category Discovery - GCD) من منظور الاسترجاع العلاقي (Relational Retrieval).

تقوم الطريقة التي نقدمها على الربط بين البيانات المصنفة (Labeled Data) وغير المصنفة (Unlabeled Data)، مما يتيح لكما تعزيز المعرفة بصورة متبادلة. على عكس الأساليب التقليدية التي تتعامل مع هذه البيانات بشكل منفصل، فإننا نطرح تقنية جديدة تُسمى "ثبات النموذج العلاقي" (Relational Pattern Consistency - RPC) التي تعمل على تحسين التعلم من خلال استغلال العلاقات بين الفئات.

تستند RPC إلى استخدام مصنفات من نوع "واحد مقابل الجميع" (One-vs-All) لنقل المعرفة والسماح بتحليل سلوكيات العينات بطريقة دقيقة. ولتحقيق هذا، تم تقديم آليتين:

1. الحفاظ على الفئات المعروفة من خلال نقل الاستدلال السلوكي الدلالي.
2. اكتشاف الفئات من خلال التركيز على العلاقات الثابتة بين العينات من نفس الفئة والنموذج المعروف.

تتسم هذه التصميمات الثنائية بتوجيه البيانات المصنفة لتطوير التعلم الفعال من البيانات غير المصنفة، بينما تساعد في اكتشاف فئات جديدة ومبتكرة من خلال استخدام توقيعات علاقات عميقة.

تظهر التجارب الشاملة أن RPC تحقق أداءً متفوقًا على المعايير العامة والدقيقة، مما يجعله اتحادًا مثيرًا في مجال الذكاء الاصطناعي. من خلال هذه المقاربة، يبدو أن المستقبل واعد للغاية لتحقيق المزيد من الاكتشافات الفريدة والفئات الجديدة!

ما رأيكم في هذا التطور الملهم؟ شاركونا في التعليقات!