التنوع الوظيفي في التجميعات العميقة من خلال محاذاة تمثيل فاسترشتاين

تعتبر التجميعات العميقة (DE) معروفة على نطاق واسع لصلابتها وتحسين تقدير عدم اليقين في مهام التعلم الآلي. ومع ذلك، تتعلق التحديات المستمرة بضمان تنوع كافٍ بين أعضاء التجميع: غالبًا ما تتقارب النماذج المدربة بشكل منفصل إلى حلول مشابهة، مما يحد من فعالية التجميع بشكل عام. في هذا العمل، نقترح نهج تنظيم فاسترشتاين جديد في فضاء الدوال. على وجه التحديد، نقوم بتعظيم المسافات الثنائية لفاسترشتاين أو أقرب نقاط جروموف-فاسترشتاين (GW) بين تمثيلات الطبقات المخفية لأعضاء التجميع. من خلال تفسير هذه التمثيلات على أنها توزيعات احتمالية تجريبية، تستفيد طريقتنا من هندسة النقل الأمثل لفرض التنوع الوظيفي. علاوة على ذلك، نظهر أن التنظيم في فضاء الدوال - عبر المحاذاة التوزيعية باستخدام مقاييس قائمة على فاسترشتاين - يؤدي إلى تنوع أفضل وعمومية مقارنة بالنهج التي تستند فقط إلى فضاء الأوزان. تظهر النتائج التجريبية على مجموعات البيانات المرجعية أن طريقتنا تتفوق على DE القياسية والمتغيرات المنظمة في فضاء الأوزان من حيث الدقة التنبؤية وتقدير عدم اليقين. الكود والتجارب متاحة على: https://github.com/leotaku98/wassde.