ابتكار ثوري: التعلم البصري غير الخاضع للإشراف بفضل مرونة محلية متعددة الترددات!

في إطار استكشافات جديدة في ميدان الذكاء الاصطناعي، قام باحثون بتقديم نظام تعلم بصري غير خاضع للإشراف يعتمد كليًا على قواعد المرونة المحلية (Local Plasticity Rules). يتميز هذا النظام بأنه لا يحتاج إلى تسميات أو إشارة خطأ عالمية، مما يعكس توجهًا مبتكرًا في كيفية معالجة البيانات المرئية.

يعتمد النموذج على هيكل هرمي مستوحى من نظام VisNet، حيث يجمع بين مدخلات الألوان المعاكسة، وتيارات الميزات متعددة التردد من Gabor والموجة، جنبًا إلى جنب مع عمليات التنسيق التنافسية مع تثبيط جانبي، وتعديل السليانة، والذاكرة الارتباطية، ودائرة راجعة.

استغرقت عملية التعلم التمثيلي 300 حقبة تدريبية باستخدام سلاسل صور غير مسماة، وتم تقييم الأداء باستخدام بروب خطي ثابت تم تدريبه فقط في مرحلة الإخراج. حقق النظام دقة نسبية بلغت 80.1% على مجموعة بيانات CIFAR-10 و47.6% على CIFAR-100، مما يظهر تحسينًا ملحوظًا مقارنةً بالأسس القائمة فقط على هببيان.

أظهرت الدراسات التحليلية أن التصفية المضادة للهببيان، والمرونة المستوحاة من الطاقات الحرة، والذاكرة الارتباطية، كانت العوامل الأساسية وراء الأداء المتميز، وفي الواقع، لا يقلل التصميم الثابت من فعالية النظام، حيث حقق 61.4% على CIFAR-10 حتى بدون التعلم.

تشير التحاليل إلى أن نماذج متدربة بشكل مستقل تطابق أخرى مدربة بشكل مشترك بفارق 0.3 نقطة مئوية، كما أن مصنِّف أقرب المعدلات العادية حقق 78.3% بدون الحاجة إلى تدريب يعتمد على التدرجات. الغرض من ذلك هو إثبات الهيكل الداخلي للميزات التي تم تعلمها.

بشكل عام، يوضح النظام إمكانية تحقيق تقدم كبير في التعرف على الصور من بيانات غير مسماة، حيث يقترب الأداء من نماذج الشبكات العصبية التلافيفية المدربة بتدرجات بمعدل فارق يقل قليلاً عن 6%، مما يشير إلى أن المرونة المحلية وحدها يمكن أن تحقق نتائج قوية من البيانات الأولية.