ترجمه فارسی مقاله یادگیری مقابله‌ای و مفاهیم انتزاعی: مورد اعداد طبیعی

چکیده

Contrastive Learning (CL) has been successfully applied to classification and other downstream tasks related to concrete concepts, such as objects contained in the ImageNet dataset. No attempts seem to have been made so far in applying this promising scheme to more abstract entities. A prominent example of these could be the concept of (discrete) Quantity. CL can be frequently interpreted as a self-supervised scheme guided by some profound and ubiquitous conservation principle (e.g. conservation of identity in object classification tasks). In this introductory work we apply a suitable conservation principle to the semi-abstract concept of natural numbers by which discrete quantities can be estimated or predicted. We experimentally show, by means of a toy problem, that contrastive learning can be trained to count at a glance with high accuracy both at human as well as at super-human ranges.. We compare this with the results of a trained-to-count at a glance supervised learning (SL) neural network scheme of similar architecture. We show that both schemes exhibit similar good performance on baseline experiments, where the distributions of the training and testing stages are equal. Importantly, we demonstrate that in some generalization scenarios, where training and testing distributions differ, CL boasts more robust and much better error performance.

چکیده به فارسی (ترجمه ماشینی)

یادگیری متضاد (CL) با موفقیت در طبقه بندی و سایر کارهای پایین دست مربوط به مفاهیم بتونی ، مانند اشیاء موجود در مجموعه داده ImageNet استفاده شده است.به نظر می رسد که تاکنون هیچ تلاشی در استفاده از این طرح امیدوارکننده برای موجودات انتزاعی تر انجام نشده است.یک نمونه بارز از اینها می تواند مفهوم کمیت (گسسته) باشد.CL را می توان به طور مکرر به عنوان یک طرح خود سنجی که توسط برخی از اصل حفاظت عمیق و همه گیر (به عنوان مثال حفظ هویت در کارهای طبقه بندی شی) هدایت می شود ، تعبیر کرد.در این کار مقدماتی ما یک اصل حفاظت مناسب را برای مفهوم نیمه انتزاعی از اعداد طبیعی اعمال می کنیم که با استفاده از آنها می توان مقادیر گسسته را تخمین زده یا پیش بینی کرد.ما به طور تجربی با استفاده از یک مشکل اسباب بازی نشان می دهیم که یادگیری متضاد را می توان آموزش داد تا با یک نگاه با دقت بالا هم در انسان و هم در دامنه های فوق انسانی حساب شود. ما این را با نتایج یک آموزش دیده مقایسه می کنیمدر یک طرح شبکه عصبی یادگیری تحت نظارت (SL) از معماری مشابه حساب کنید.ما نشان می دهیم که هر دو طرح عملکرد خوب مشابهی را در آزمایش های پایه نشان می دهند ، جایی که توزیع مراحل آموزش و آزمایش برابر است.نکته مهم ، ما نشان می دهیم که در برخی از سناریوهای تعمیم ، جایی که توزیع های آموزش و آزمایش متفاوت است ، CL دارای عملکرد خطای قوی تر و بسیار بهتر است.