حالا فرض کن داری یه خونه جدید می‌خری یا دوست داری خونه‌ات رو با یه استایل خاص دکور کنی، ولی نمی‌دونی دقیقاً چه سبکی بهش میاد. خب اینجا بود که هوش مصنوعی اومد تا کمکت کنه و استایل دکوراسیون داخلی رو خودش تشخیص بده. ولی یه مشکلی وجود داره: برای آموزش مدل‌های هوش مصنوعی معمولاً به کلی دیتای برچسب‌خورده (یعنی عکس‌هایی که یه کارشناس طراحی داخلی روشون قشنگ توضیح داده چه سبکی دارن) نیاز داریم، ولی تعداد این داده‌ها خیلی کمه چون برچسب زدنشون کار راحتی نیست و به تخصص احتیاج داره.
اینجا یه تیم اومدن یه الگوریتم جدید و جالب طراحی کردن که اسمش رو گذاشتن «چارچوب نیمه‌نظارتی مبتنی بر وزن و خود-اجتماع»! بذار خیلی رفاقتی و خودمونی برات بگم این یعنی چی:
نیمه‌نظارتی (Semi-supervised) یعنی هم از داده‌های برچسب‌خورده استفاده می‌کنه هم از داده‌هایی که برچسب ندارن. خود-اجتماع (Self-ensembling) هم یعنی مدل خودش رو چندبار بین حالت‌های مختلف یاد می‌گیره تا خطاهاش رو کم کنه، انگار خودش به خودش کمک می‌کنه بهتر شه!
حالا مشکل چی بود؟ داده‌ی بدون برچسب زیاده ولی معلوم نیست چقدر قابل اعتماده. پس اونا یه ماژولِ وزن‌دهی (Weight Module) ساختن که با فرمول خاصی به هر داده بدون برچسب یه نمره اعتماد می‌ده. این فرمولشون شبیه تابع گاوس با انتهاهای بریده بود. یعنی مثلاً نمونه‌هایی که خیلی به نظر درست میان، وزن بیشتری می‌گیرن و مدل بیشتر ازشون یاد می‌گیره، ولی نمونه‌های مشکوک وزن کمی می‌گیرن.
وقتی این وزن‌ها رو داری، چند تا قلق باحال اجرا میشه:
-
انتظام‌دهی سازگار وزنی (Weighted Consistency Regularization): این یعنی مدل رو مجبور می‌کنن که روی داده‌های قابل اعتماد (یعنی داده‌هایی که وزن بالاتری دارن) حتی اگه تصویر رو یکم تغییر بدی (مثلاً روشنایی یا زاویه رو عوض کنی)، همچنان همون پیش‌بینی رو داشته باشه.
-
انتظام‌دهی رابطه‌ای وزنی (Weighted Relation Consistency): اینم یعنی مدل باید روابط معنایی بین عکس‌های قابل اعتماد رو حتی بعد از دستکاری حفظ کنه. مثلاً اگه دوتا عکس استایل مشابه دارن، بعد از تغییرات جزئی هم باید نزدیک هم بمونن.
-
یادگیری تضاد‌آمیز وزن‌دهی-کلاس‌آگاه (Weighted Class-aware Contrastive Learning): این یکی باعث میشه مدل بتونه ویژگی‌های استایل‌های مختلف رو بهتر از هم تشخیص بده و توی حافظه‌ش خوب نگه داره، به خصوص روی داده‌های قابل اعتماد.
وقتی این سه حرکت با هم ترکیب میشه، مدل واقعاً قوی کار می‌کنه و می‌تونه استایل‌های دکوراسیون داخلی رو خیلی بهتر و با دقت بالاتری نسبت به روش‌های قبلی تشخیص بده – اونم حتی بدون این‌که نیاز باشه کلی داده‌ی تخصصی تگ‌خورده براش مهیا کنی.
تو مقاله میگن که روی چند تا دیتاست عکس از استایل دکوراسیون تست کردن و نتیجه این روش جدیدشون واقعاً بهتر از مدل‌هایی بود که قبلاً با یادگیری نیمه‌نظارتی کار کرده بودن.
خلاصه اگر دنبال مدلی می‌گردی که با کمترین زحمت بتونی بفهمی سبک دکور یک خونه چی هست، این روش جدید با وزن‌دهی هوشمند واقعاً می‌تونه به دردبخور باشه! و بازم یادمون نره: هوش مصنوعی فقط با داده‌های زیاد و دقیق رشد نمی‌کنه؛ گاهی با قلق‌های هوشمندانه میشه مدل‌ها رو حسابی تقویت کرد.
منبع: +
