الدليل الفني
التعلم المتناقض
يقوم التعلم التقابلي بتعليم النموذج كيفية تجميع الأشياء المتشابهة معًا ودفع الأشياء المتباينة بعيدًا في مساحة التضمين.
استمع إلى هذا الدليلرواه الذكاء الاصطناعي · ~2 min
في هذه الصفحةقراءة لمدة دقيقتين
نظرة عامة
It matters because it lets AI learn powerful representations from mostly unlabeled data, powering image search, recommendations, and multimodal models.
الغوص العميق
بدلاً من التنبؤ بالتسمية، يتعلم التعلم المتباين عن طريق المقارنة: بالنظر إلى عنصر ربط، يتم تدريب النموذج بحيث يهبط "الإيجابي" المطابق بالقرب منه في الفضاء المتجه بينما يهبط "السلبيات" غير المتطابقة بعيدًا. تعمل الوصفة الشائعة الخاضعة للإشراف الذاتي (مثل SimCLR) على إنشاء إيجابيات من خلال إجراء زيادتين عشوائيتين لنفس الصورة (الاقتصاص، واضطراب اللون، والتمويه)؛ كل شيء آخر في الدفعة سلبي. يقوم النموذج بتعيين المدخلات للمتجهات وتكافئ الخسارة التشابه العالي للزوج والتشابه المنخفض للبقية. وينتج عن ذلك عمليات تضمين حيث تعكس المسافة المعنى، لذا تحتاج المهمة النهائية إلى تسميات أقل بكثير. يطبق CLIP نفس الفكرة عبر الأساليب، حيث يقوم بمطابقة الصور مع التسميات التوضيحية الخاصة بها.
التنفيذ في العالم الحقيقي
يتعلم CLIP مساحة نصية وصور مشتركة حتى تتمكن من البحث في مكتبة الصور باستخدام عبارة مكتوبة مثل "كلب على لوح تزلج".
التدريب المسبق للعمود الفقري للرؤية باستخدام SimCLR على صور غير مُعلَّمة، ثم ضبطه بدقة للكشف عن الأمراض باستخدام مجموعة صغيرة مُلصقة فقط.
بناء توصيات المنتج أو الأغنية حيث تكون العناصر المضمنة التي أحبها المستخدم قريبة من بعضها البعض لاسترجاعها من أقرب جار.
تعمل أنظمة التحقق من الوجه على تدريب التضمين بحيث تكون صورتان لنفس الشخص قريبتين وأشخاص مختلفين متباعدين.
مستقبل التعلم التقابلي
يتقارب التعلم التقابلي مع الإشراف الذاتي المقنع والمولد في أهداف مختلطة تلتقط التشابه العالمي والتفاصيل الدقيقة. أكبر تأثير لها هو الوسائط المتعددة: حيث تدعم تضمينات الصور والنص المتوافقة بشكل متباين (والآن الصوت والفيديو) البحث، وتوليد الاسترجاع المعزز، وتصنيف اللقطة الصفرية، وسوف تنمو هذه البصمة. توقع المزيد من العمل على تقليل الشهية للدفعات الضخمة، وعلى استراتيجيات التعزيز والتعدين السلبي بشكل أفضل، وعلى توسيع النهج ليشمل مجالات مثل التصوير الطبي والسلاسل الزمنية حيث تكون الملصقات نادرة ومكلفة.
وضعها موضع التنفيذ
لماذا يهم
- التكلفة والميزانية. تؤدي قرارات الهندسة المعمارية إلى زيادة الأداء وتكلفة التشغيل لسنوات.
- قرارات أوضح. يساعد التعليم الفني الفرق على اختيار المجموعة المناسبة، وليس فقط المجموعة الأحدث.
- مراقبة الجودة. تعمل الخيارات الهندسية الأفضل على تقليل حوادث الموثوقية في الإنتاج.
احترس من
- يمكن أن يؤدي تحسين معيار واحد إلى إخفاء نقاط ضعف النظام الأوسع.
- غالبًا ما يتم التقليل من تكاليف البنية التحتية والصيانة.
- يمكن أن تنمو الفجوات الأمنية وقابلية المراقبة عندما تصبح الأنظمة أكثر تعقيدًا.
الخطوات التالية
- تحديد الكمون والجودة وأهداف التكلفة قبل التنفيذ.
- المعيار في ظل ظروف التحميل والبيانات الواقعية.
- مراقبة الأدوات للأخطاء والانجراف وتأثير المستخدم.
- قم بإعداد مسارات التراجع والاستجابة للحوادث قبل القياس.
استمر في الاستكشاف
رسالة إخبارية مجانية
احصل على الإحاطة اليومية لمنظمة العفو الدولية
ثلاث قصص تم التحقق منها بواسطة الذكاء الاصطناعي كل صباح من أيام الأسبوع، مكتوبة باللغة الإنجليزية البسيطة. مجاني للأبد، بدون إعلانات.
بريد إلكتروني واحد كل يوم من أيام الأسبوع. إلغاء الاشتراك بنقرة واحدة. نحن لا نبيع أو نشارك عنوانك أبدًا.
اختبر نفسك
Take the Contrastive Learning quiz
تعليقات فورية على كل إجابة، وشهادة قابلة للمشاركة مع معرف يمكن التحقق منه بمجرد اجتياز الدورة التدريبية.
دعم تعليم الذكاء الاصطناعي المجاني. AI Understanding هي منظمة 501(c)(3) غير ربحية - لا إعلانات ولا نظام حظر الاشتراك غير المدفوع على الإطلاق. قم بالتبرع
الأسئلة المتداولة
What is Contrastive Learning?
يقوم التعلم التقابلي بتعليم النموذج كيفية تجميع الأشياء المتشابهة معًا ودفع الأشياء المتباينة بعيدًا في مساحة التضمين. إنه أمر مهم لأنه يتيح للذكاء الاصطناعي التعرف على تمثيلات قوية من البيانات غير المسماة في الغالب، مما يدعم البحث عن الصور والتوصيات والنماذج متعددة الوسائط.
ما هو الهدف الأساسي للتعلم التقابلي؟
يشكل التعلم التقابلي مساحة تضمين بحيث تكون الأزواج المتطابقة قريبة والأزواج غير المتطابقة متباعدة.
في طريقة الصور الخاضعة للإشراف الذاتي مثل SimCLR، كيف يتم إنشاء زوج موجب عادةً؟
يشكل SimCLR صورًا إيجابية من عرضين معززين لصورة واحدة، بينما تعمل الصور الأخرى في المجموعة كصور سلبية.
ما هي وظيفة الخسارة الأكثر ارتباطًا بالتعلم التقابلي؟
إن InfoNCE، وهو softmax على درجات التشابه مع درجة الحرارة، هو الهدف المتباين القياسي.
لماذا تستخدم أساليب مثل MoCo بنك ذاكرة أو قائمة انتظار؟
يستفيد التعلم المقارن من سلبيات كثيرة؛ توفرها قائمة الانتظار مع الحفاظ على إمكانية التحكم في حجم الدفعة.
ما هي المشكلة التي يحميها BYOL وSimSiam على وجه التحديد دون استخدام السلبيات الصريحة؟
بدون السلبيات، يمكن للنموذج أن يرسم كل شيء بشكل تافه إلى نفس المتجه؛ تمنع أهداف التوقف المتدرج والزخم هذا الانهيار.
استمر في التعلم
أدلة ذات صلة
تم اختيار المزيد من الأدلة لهذا الموضوع