التعدين السلبي والصعب عبر الإنترنت
يختار التعدين السلبي الصعب الأمثلة الأكثر إفادة والتي يصعب تمييزها للتدريب عليها بدلاً من إضاعة الجهد على الأمثلة السهلة التي حصل عليها النموذج بالفعل.
نظرة عامة
It is the trick that makes metric learning and object detection converge fast and accurately.
الغوص العميق
عند التدريب مع خسائر ثلاثية أو متباينة، تكون معظم العينات السلبية التي تم أخذ عينات منها عشوائيًا بعيدة بالفعل عن المرساة، لذا فهي تنتج خسارة صفرية ولا يوجد تدرج، مما يؤدي إلى توقف التدريب. يعمل التعدين السلبي على إصلاح هذه المشكلة عن طريق اختيار السلبيات الصعبة: الأمثلة القريبة بشكل خاطئ من المرساة. في التعدين دون اتصال بالإنترنت، تقوم بمسح مجموعة البيانات بشكل دوري للعثور عليها، وهو أمر بطيء وقديم. يقوم التعدين عبر الإنترنت بحسابها بسرعة داخل كل دفعة صغيرة: بعد التمريرة الأمامية، تنظر إلى جميع المسافات الزوجية في الدفعة وتختار أصعب المخالفين. قدمت FaceNet التعدين شبه الصلب، حيث اختارت السلبيات أبعد من الإيجابية ولكن لا تزال داخل الهامش، وتجنب عدم الاستقرار الذي يمكن أن تسببه أصعب السلبيات على الإطلاق في وقت مبكر من التدريب.
البصيرة الفنية
يستغل التعدين عبر الإنترنت الدفعة التي قمت بحسابها بالفعل. باستخدام عمليات التضمين B، يمكنك الحصول على مصفوفة مسافة B-by-B مجانًا بشكل أساسي، حتى تتمكن من تقييم أعداد كبيرة من التوائم الثلاثية المرشحة في كل خطوة. يختار التعدين الثابت، لكل مرساة، أبعد نقطة إيجابية وأقرب نقطة سلبية في الدفعة. وبدلاً من ذلك، فإن التعدين شبه الصلب يقيد السلبيات لتقع بين المسافة الإيجابية والمسافة الإيجابية بالإضافة إلى الهامش، مما ينتج عنه تدرجات غير صفرية ولكنها مستقرة. توفر الدُفعات الأكبر حجمًا مجموعة أكثر ثراءً من المرشحين الأقوياء، ولهذا السبب يؤثر حجم الدُفعة بشدة على جودة التعلم المتري.
التأثير الاستراتيجي
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.
مستقبل التعدين عبر الإنترنت والتعدين السلبي الصعب
إن مبدأ التدريب على ما هو صعب، يقود الآن التعلم المتباين الخاضع للإشراف الذاتي، حيث توفر المجموعات السلبية الكبيرة داخل الدفعة (وبنوك الذاكرة مثل MoCo) مقارنات صعبة بدون تسميات. يعمل الباحثون على تحسين مدى صعوبة السلبيات، حيث غالبًا ما يتبين أن السلبيات الصعبة غالبًا ما يتم تصنيفها بشكل خاطئ أو شبه مكررة مما يفسد التدريب. توقع تعدينًا أكثر ذكاءً ووعيًا بعدم اليقين وسلبيات صلبة اصطناعية تم إنشاؤها بواسطة النموذج نفسه، بالإضافة إلى تكامل أكثر إحكامًا مع أنظمة الاسترجاع التي تستخرج السلبيات الصعبة من استعلامات المستخدم الحقيقية.
التنفيذ في العالم الحقيقي
التدريب على التعرف على الوجوه: يستخدم FaceNet التعدين شبه الصلب عبر الإنترنت لتعلم عمليات التضمين التي تفصل بين الأفراد المتشابهين.
اكتشاف الكائنات: تستخدم SSD وأجهزة الكشف المماثلة تعدينًا سلبيًا قويًا لموازنة تدفق الصناديق الخلفية السهلة مقابل صناديق الكائنات النادرة.
استرجاع الممرات الكثيفة: تقوم أنظمة البحث و RAG باستخراج المستندات السلبية الصعبة التي تبدو ذات صلة ولكنها ليست كذلك، مما يزيد من حدة المسترد.
أنظمة التوصية: نماذج تستخرج العناصر التي لم ينقر عليها المستخدم ولكنها تشبه العناصر التي تم النقر عليها، مما يعلم الفروق الدقيقة في الذوق.
المخاطر والدرابزين
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.
خارطة طريق التنفيذ
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
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Online and Hard Negative Mining quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
الدليل التالي
انحراف عرض الميزات عبر الإنترنت وغير متصل
الأسئلة المتداولة
What is Online and Hard Negative Mining?
يختار التعدين السلبي الصعب الأمثلة الأكثر إفادة والتي يصعب تمييزها للتدريب عليها بدلاً من إضاعة الجهد على الأمثلة السهلة التي حصل عليها النموذج بالفعل. إنها الحيلة التي تجعل التعلم المتري واكتشاف الأشياء يتقاربان بسرعة ودقة.
لماذا توفر معظم العينات السلبية التي تم أخذ عينات منها بشكل عشوائي إشارة تدريب قليلة في حالة الخسارة الثلاثية؟
السلبيات السهلة تقع خلف الهامش، وترضي الخسارة بالفعل، ولا تساهم بشكل أساسي في أي تدرج، لذلك يتوقف التدريب.
ما الذي يميز التعدين عبر الإنترنت عن التعدين خارج الإنترنت؟
يحسب التعدين عبر الإنترنت المسافات الزوجية داخل الدفعة الحالية في كل خطوة، بينما يقوم التعدين دون اتصال بفحص مجموعة البيانات بأكملها بشكل دوري ويمكن أن يصبح قديمًا.
ما هي النتيجة السلبية "شبه الصلبة" كما هو محدد في FaceNet؟
تكون السلبيات شبه الصلبة أبعد عن المرساة من الإيجابية ولكنها تقع داخل الهامش، مما يوفر تدرجات مفيدة ومستقرة دون عدم الاستقرار في أصعب الحالات على الإطلاق.
في التعدين الدفعي، ما هو الرقم السلبي الذي يتم اختياره لكل مرساة؟
يختار التعدين على دفعات أصعب الحالات: بالنسبة لكل نقطة ارتساء، فإنه يأخذ أبعد نقطة إيجابية وأقرب نقطة سلبية (الأكثر إرباكًا) في الدفعة.
لماذا يميل حجم الدفعة الأكبر إلى تحسين نتائج التعلم المتري المستخرج؟
تنتج الدفعة الأكبر مصفوفة مسافة زوجية أكبر، لذلك هناك عدد أكبر من السلبيات المرشحة لاستخراج العناصر الأصعب من كل خطوة.