ترجمه فارسی مقاله یک معیار تشابه منیفولد یکپارچه برای افزایش یادگیری چند شات، انتقال و تقویت در مجموعه داده‌های توزیع‌شده منیفولد

چکیده

Training a classifier with high mean accuracy from a manifold-distributed dataset can be challenging. This problem is compounded further when there are only few labels available for training. For transfer learning to work, both the source and target datasets must have a similar manifold structure. As part of this study, we present a novel method for determining the similarity between two manifold structures. This method can be used to determine whether the target and source datasets have a similar manifold structure suitable for transfer learning. We then present a few-shot learning method to classify manifold-distributed datasets with limited labels using transfer learning. Based on the base and target datasets, a similarity comparison is made to determine if the two datasets are suitable for transfer learning. A manifold structure and label distribution are learned from the base and target datasets. When the structures are similar, the manifold structure and its relevant label information from the richly labeled source dataset is transferred to target dataset. We use the transferred information, together with the labels and unlabeled data from the target dataset, to develop a few-shot classifier that produces high mean classification accuracy on manifold-distributed datasets. In the final part of this article, we discuss the application of our manifold structure similarity measure to reinforcement learning and image recognition.

چکیده به فارسی (ترجمه ماشینی)

آموزش طبقه بندی کننده با دقت متوسط ​​از یک مجموعه داده توزیع شده منیفولد می تواند چالش برانگیز باشد.این مشکل بیشتر پیچیده می شود که فقط تعداد کمی برچسب در دسترس برای آموزش وجود داشته باشد.برای یادگیری انتقال به کار ، هم مجموعه داده های منبع و هم هدف باید یک ساختار منیفولد مشابه داشته باشند.به عنوان بخشی از این مطالعه ، ما یک روش جدید برای تعیین شباهت بین دو ساختار منیفولد ارائه می دهیم.از این روش می توان برای تعیین اینکه آیا مجموعه داده های هدف و منبع ساختار منیفولد مشابهی برای یادگیری انتقال دارند ، استفاده شود.سپس ما چند روش یادگیری چند شات را برای طبقه بندی مجموعه داده های توزیع شده با برچسب های محدود با استفاده از یادگیری انتقال ارائه می دهیم.بر اساس مجموعه داده های پایه و هدف ، مقایسه شباهت برای تعیین اینکه آیا این دو مجموعه داده برای یادگیری انتقال مناسب هستند ، انجام می شود.ساختار منیفولد و توزیع برچسب از مجموعه داده های پایه و هدف آموخته می شود.هنگامی که ساختارها مشابه هستند ، ساختار منیفولد و اطلاعات مربوط به برچسب مربوط به آن از مجموعه داده منبع غنی به مجموعه داده های هدف منتقل می شود.ما از اطلاعات منتقل شده ، به همراه برچسب ها و داده های بدون برچسب از مجموعه داده های هدف استفاده می کنیم تا چند طبقه بندی کننده چند شات ایجاد شود که دقت طبقه بندی بالایی را در مجموعه داده های توزیع شده با منیفولد تولید می کند.در قسمت آخر این مقاله ، ما در مورد کاربرد اندازه گیری شباهت ساختار منیفولد ما برای یادگیری تقویت و تشخیص تصویر بحث می کنیم.