Key points are not available for this paper at this time.
أحدثت التطورات الأخيرة في التعلم التبايني ثورة في تعلم التمثيلات الذاتية الإشراف وحققت أداءً رائدًا في المهام المعيارية. بينما تركز معظم الطرق الحالية على تطبيق التعلم التبايني على أنماط بيانات المدخلات مثل الصور أو جمل اللغة الطبيعية أو الشبكات، فإنها تتجاهل الإمكانيات الكبيرة لاستخدام مخرجات من مشفرات تم تدريبها مسبقًا. في هذه الورقة، نقدم SIMSKIP، وهو إطار جديد للتعلم التبايني يركز بشكل خاص على تحسين تضمينات المدخلات للمهام اللاحقة. على عكس أساليب التعلم غير المراقب التقليدية، تستفيد SIMSKIP من تضمينات مخرجات نماذج التشفير كمدخلاتها. من خلال التحليل النظري، نقدم دليلاً على أن تطبيق SIMSKIP لا يؤدي إلى حدود عُليا أكبر على أخطاء المهام اللاحقة مقارنة بتلك الخاصة بالتضمينات الأصلية، والتي تُستخدم كمدخلات لـ SIMSKIP. تُظهر النتائج التجريبية على مجموعات البيانات المفتوحة المختلفة أن التضمينات الناتجة عن SIMSKIP تحسن الأداء في المهام اللاحقة.
درس ليو وآخرون (2024) هذا السؤال.