قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
التعلم ذات الإشراف
نموذج تعلم حيث يتعلم النموذج التمثيلات من البيانات غير المسماة من خلال إنشاء مهام إشراف اصطناعية. يتيح هذا النهج الاستفادة من كميات هائلة من البيانات دون الحاجة إلى تعليقات يدوية باهظة الثمن.
التعلم التبايني
تقنية تعلم ذاتي الإشراف تتعلم التمثيلات من خلال تقريب العينات الموجبة المتشابهة وإبعاد العينات السالبة غير المتشابهة في فضاء التضمين. تزيد هذه الطريقة من التوافق بين التحسينات المختلفة لنفس العينة.
المهمة المسبقة
مهمة اصطناعية مصممة للتعلم ذاتي الإشراف تجبر النموذج على تعلم خصائص مفيدة من البيانات غير المسماة. تخدم هذه المهام كذريعة لتدريب النموذج قبل النقل إلى المهام المصب.
التباين الزخمي (MoCo)
إطار عمل للتعلم التبايني يحافظ على قائمة انتظار من العينات السالبة ويستخدم مشفر زخمي لضمان اتساق التمثيلات. يتيح هذا النهج استخدام عدد كبير من السلبيات دون الحاجة إلى حجم دفعة كبير.
SimCLR
إطار عمل بسيط للتعلم التبايني يزيد من التوافق بين التحسينات المختلفة لنفس العينة بعد المرور عبر شبكة عصبية. يوضح هذا النهج أن تحسين البيانات وحجم الدفعة حاسمان للأداء.
BYOL
طريقة تعلم ذاتي الإشراف لا تستخدم عينات سالبة، بل تعتمد على شبكتين بهندسة غير متماثلة ومتنبئ. يتجنب BYOL الانهيار التافه بفضل إيقاف التدرج وتحديث الزخم.
تمثيل الميزات
ترميز متجهي للبيانات الأولية في فضاء كامن حيث يتم الحفاظ على العلاقات الدلالية واستغلالها للمهام المصب. التمثيلات المتعلمة ذاتي الإشراف تلتقط خصائص عامة قابلة للنقل.
البيانات غير المسماة
بيانات أولية بدون تعليقات يدوية تكون وفيرة ورخيصة التجميع مقارنة بالبيانات المسماة. يستغل التعلم ذاتي الإشراف هذه البيانات بكفاءة لتدريب مسبق للنماذج عالية الأداء.
المساحة المضمنة
فضاء متجهي منخفض الأبعاد حيث يتم إسقاط البيانات لالتقاط علاقاتها الدلالية والهيكلية. في التعلم الذاتي الإشرافي، الهدف هو تعلم فضاء مضمن مميز.
العيّنات السلبية
تقنية تتضمن اختيار أمثلة يجب أن تكون بعيدة عن المرساة في فضاء التضمين أثناء التعلم التبايني. الاختيار الاستراتيجي للعينات السلبية يؤثر بشكل مباشر على جودة التمثيلات المتعلمة.
رأس الإسقاط
شبكة عصبية إضافية تُطبق بعد المشفر الرئيسي لرسم التمثيلات إلى الفضاء حيث يتم حساب الخسارة التباينية. يتم عادةً إزالة هذا الرأس عند الانتقال إلى المهام اللاحقة.
هيكل المشفر
بنية الشبكة العصبية المسؤولة عن تحويل البيانات الأولية إلى تمثيلات متجهة ذات معنى. يؤثر اختيار البنية (ResNet, Transformer, إلخ) على قدرات التجريد للنموذج.
دينو
طريقة ذاتية الإشراف تعتمد على تقطير المعرفة بين شبكتين دون استخدام عينات سلبية. DINO ينتج تمثيلات تلتقط بشكل طبيعي دلالات الصور وتناسب بشكل جيد للتجميع.