طرق بسيطة لتعميم النطاق: أساس قوي لتعميم النطاق المفتوح

في عالم الذكاء الاصطناعي، يُعتبر التعامل مع التغيرات في البيانات من التحديات الأساسية. نجد أن النماذج التي تعالج التعرّف في بيئات غير معروفة تواجه ظروفًا تشكل صعوبة حقيقية. تأتي الحاجة إلى التعرف المفتوح (Open-set Recognition - OSR) عندما تظهر فئات غير معروفة أثناء مرحلة الاستدلال، مما يتطلب من النظام القدرة على التعلم والتكيف.

تحت عنوان تعميم النطاق (Domain Generalization - DG)، تبرز الأساليب التي تهدف إلى التعامل مع انزياح النطاق، حيث تكون بيانات التدريب مختلفة عن بيانات الاستدلال. في الآونة الأخيرة، تم تقديم مفهوم تعميم النطاق المفتوح (Open Domain Generalization - ODG) الذي يأخذ في الاعتبار كلا الجانبين: تعميم النطاق والتعرف على الفئات غير المعروفة.

في هذا الإطار، قد تم استعراض وتقييم الطرق الحالية التي تتناول تعميم النطاق وتبيّن أن طريقتين بسيطتين هما CORrelation ALignment (CORAL) وMaximum Mean Discrepancy (MMD) يمكن أن تتنافس بفاعلية مع أسلوب التعلم المساعد في تعميم النطاق المفتوح (Domain-augmented Meta-Learning - DAML) في العديد من الحالات. علاوة على ذلك، تم اقتراح توسيعات بسيطة لأساليب CORAL وMMD، مما يعزز قدراتها من خلال تقنيات مثل التعلم المجمع وDirichlet mixup augmentation.

تشير النتائج التجريبية إلى أن هذه الأساليب الموسعة قدمت أداءً مشابهاً لـ DAML ولكن بتكاليف حسابية أقل. هذه النتائج تعزز فكرة أن الطرق البسيطة للتعميم يمكن أن توفر خيارات قوية وفعالة في مواجهة تحديات التعرف المفتوح.