في عالم الذكاء الاصطناعي والتعلم العميق، يُعتبر التعلم العابر (Transfer Learning) أحد الأساليب الرائدة لمواجهة تحديات نقص البيانات التدريبية. في هذا السياق، يقدم الباحثون نموذجًا مبتكرًا يُدعى TLDChoiceNet، والذي يسعى لاختيار أفضل مجموعة بيانات للتعلم العابر بناءً على دقة البيانات المُعدلة.

عادة ما يتم استخدام مجموعات بيانات ضخمة مثل ImageNet وCIFAR-100 وCOCO للتعلم العابر، لكن اختيار المجموعة الأفضل لا يزال تحديًا. يستند نموذج TLDChoiceNet إلى أسلوب كمية لتحديد المجموعة المثلى، حيث يقوم بتوقع دقة الاختبار بعد تنفيذ التعديل على البيانات، وأظهرت النسخة الأولى له إمكانية تحقيق خطأ MSE قدره 0.154.

لكن لم يتوقف الأمر عند هذا الحد، فقد تم أيضًا تطوير نسخة ثانية تعتمد على نموذج ResNet50 v2 المدرب مسبقًا على مجموعة بيانات ImageNet، مما ساهم في تقليل الخطأ الخطي بشكل كبير إلى 0.031.

كما صمم الباحثون مقياسين مبتكرين لتمكين اختيار مجموعة البيانات المثلى بدون إشراف: مسافة التوزيع (DD) التي تُظهر علاقة خطية مع دقة الضبط، وارتباط الصفوف المتوسط (ACC) الذي يرفع من مستوى التوافق إلى 0.97. الفرضية التي تدعم هذه النتائج تشير إلى أن إحصائيات أدنى لمجموعة البيانات يمكن أن تفسر تأثير التعلم العابر، مما يعزز أهمية استخدام مجموعات بيانات مدربة مسبقًا مثل ImageNet.

بالتأكيد، يُعد TLDChoiceNet خطوة بارزة نحو تحقيق أعلى مستويات الأداء في أنظمة التعلم العميق، هل تعتقد أن هذا النموذج سيُحدث ثورة في طريقة استخدام البيانات في الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!