Key points are not available for this paper at this time.
لقد تم تطبيق التعلم لإنشاء الرموز على نطاق واسع لتقريب بحث أقرب الجيران لاسترجاع الوسائط المتعددة على نطاق واسع، وذلك بسبب كفاءته الحاسوبية وجودة الاسترجاع. لقد حظي التعلم العميق لإنشاء الرموز، الذي يحسن جودة الاسترجاع من خلال التعلم التمثيلي من البداية إلى النهاية وترميز الرموز، باهتمام متزايد مؤخرًا. نظرًا لصعوبة التدرج غير الجيدة في التحسين مع تنشيطات الإشارة، تحتاج طرق التعلم العميق الحالية لإنشاء الرموز أولاً إلى تعلم تمثيلات مستمرة ثم توليد رموز ثنائية في خطوة ثنائية مفصولة، مما يعاني من فقد كبير في جودة الاسترجاع. يقدم هذا العمل هاش نت، وهي بنية عميقة مبتكرة لتعلم إنشاء الرموز بطريقة الاستمرار مع ضمانات التقارب، والتي تتعلم بالضبط رموزًا ثنائية من بيانات التشابه غير المتوازنة. الفكرة الرئيسية هي معالجة مشكلة التدرج غير الجيد في تحسين الشبكات العميقة مع تنشيطات ثنائية غير ناعمة بواسطة طريقة الاستمرار، حيث نبدأ بتعلم شبكة أسهل مع دالة تنشيط ملساء وندعها تتطور أثناء التدريب، حتى تعود في النهاية لتكون الشبكة العميقة الأصلية، والتي يصعب تحسينها، مع دالة تنشيط الإشارة. تظهر الأدلة التجريبية الشاملة أن هاش نت يمكن أن تولد بالضبط رموزًا ثنائية وتحقق أداءً رائدًا في استرجاع الوسائط المتعددة على المعايير القياسية.
قام كاو وآخرون (الخميس) بدراسة هذا السؤال.