ترجمه فارسی مقاله یادگیری انتقال بدون نظارت از طریق آموزش متضاد مخالف

چکیده

Learning a data representation for downstream supervised learning tasks under unlabeled scenario is both critical and challenging. In this paper, we propose a novel unsupervised transfer learning approach using adversarial contrastive training (ACT). Our experimental results demonstrate outstanding classification accuracy with both fine-tuned linear probe and K-NN protocol across various datasets, showing competitiveness with existing state-of-the-art self-supervised learning methods. Moreover, we provide an end-to-end theoretical guarantee for downstream classification tasks in a misspecified, over-parameterized setting, highlighting how a large amount of unlabeled data contributes to prediction accuracy. Our theoretical findings suggest that the testing error of downstream tasks depends solely on the efficiency of data augmentation used in ACT when the unlabeled sample size is sufficiently large. This offers a theoretical understanding of learning downstream tasks with a small sample size.

چکیده به فارسی (ترجمه ماشینی)

یادگیری یک نمایش داده برای کارهای یادگیری تحت نظارت پایین دست تحت سناریوی بدون برچسب هم مهم و هم چالش برانگیز است.در این مقاله ، ما یک رویکرد یادگیری انتقال بدون نظارت با استفاده از آموزش متضاد متضاد (ACT) را پیشنهاد می کنیم.نتایج تجربی ما دقت طبقه بندی برجسته را با هر دو پروب خطی تنظیم شده و پروتکل K-NN در مجموعه داده های مختلف نشان می دهد ، که نشان دهنده رقابت با روشهای یادگیری پیشرفته خود از خود است.علاوه بر این ، ما یک ضمانت نظری پایان به پایان برای وظایف طبقه بندی پایین دست در یک تنظیم غلط و بیش از حد پارامتر ارائه می دهیم ، و برجسته می کنیم که چگونه مقدار زیادی از داده های بدون برچسب به دقت پیش بینی کمک می کند.یافته های نظری ما نشان می دهد که خطای آزمایش وظایف پایین دست فقط به کارآیی افزایش داده های مورد استفاده در ACT بستگی دارد که اندازه نمونه بدون برچسب به اندازه کافی بزرگ باشد.این یک درک نظری از یادگیری وظایف پایین دست با اندازه نمونه کوچک ارائه می دهد.