تعلم المفاهيم تحت إشراف ضعيف: ثورة في معالجة الرؤية البصرية الموجهة بالأشياء

تتجه الأبحاث الحديثة في مجال الذكاء الاصطناعي نحو دمج الأنظمة العصبية (Neurosymbolic systems) التي تعد بجمع القوة التحليلية للشبكات العصبية العميقة (Deep Neural Networks) مع الأداء المتميز للتعلم الرمزي (Symbolic Artificial Intelligence) في المهام المحدودة البيانات.

تصميم هذه الأنظمة يتطلب عادةً خطوات متعددة، حيث يتم فصل إدراك الشبكات العصبية عن استدلال القواعد، مما يساعد في التغلب على تحديات التحسين القائم على الأساليب الشاملة. ومع ذلك، تظل الحاجة إلى تسميات مكلفة لع output الإ إدراك، وهو ما تسعى هذه الورقة الجديدة لمواجهته من خلال تقديم طريقة فعالة للإشراف الضعيف (Weak Supervision).

تجمع هذه الطريقة بين بنية قائمة على الفتح للأشياء مع استخدام شبكة مكونة ذاتيًا (Variational Autoencoder) لتحقيق إشراف ذاتي وتوجيه المفاهيم في الأبعاد الخفية، مما يسهل الوصول إلى نتائج تفسرها البشرية.

عبر تحويل التنبؤات الناتجة إلى معارف رمزية، تُستخدم هذه المعرفة في أطر الاستدلال مثل البرمجة المنطقية الاستقرائية (Inductive Logic Programming) والأشجار القرارية (Decision Trees) والشبكات البايزية (Bayesian Networks).

تظهر تقييماتنا التجريبية الشاملة على مجموعات بيانات صناعية وحقيقية أن هذا النظام الجديد قادر على اكتشاف قواعد معقدة وتجريدية لمهام الاستدلال البصرية الموجهة بالأشياء، حيث يقلل الإشراف إلى أقل من 1% من التسميات، ويظهر فعالية ملحوظة حتى في ظل تغييرات كبيرة في المجال. بل إن هذا الأسلوب يتفوق على نماذج الأساس المتطورة في تعميم المجال عندما يصل الإشراف إلى 1%.

تُظهر هذه الأبحاث كيف يمكن لتقنيات التعلم تحت إشراف ضعيف أن تعيد تشكيل بيئة التعلم الآلي، مما يُتيح معالجة البصريات بشكلٍ أكثر ذكاءً وفاعلية.