تعلم متعدد الحالات والتسميات السريعة

في العديد من المهام الواقعية، وخاصة تلك التي تتعلق بكائنات البيانات ذات الدلالات المعقدة مثل الصور والنصوص، يمكن أن يمثل كائن واحد بعدة حالات ويرتبط في الوقت نفسه بعدة تسميات. يمكن صياغة مثل هذه المهام كمشكلات تعلم متعدد الحالات والتسميات (MIML)، وقد تم دراستها بشكل مكثف خلال السنوات القليلة الماضية. لقد وُجد أن الطرق الحالية لمتعلم MIML مفيدة في العديد من التطبيقات؛ ومع ذلك، يمكن لمعظمها التعامل مع بيانات ذات حجم معتدل فقط. لمعالجة مجموعات البيانات الكبيرة بشكل فعال، نقترح في هذه الورقة منهج MIMLfast، الذي يقوم أولاً بإنشاء فراغ منخفض الأبعاد مشترك بين جميع التسميات، ثم يقوم بتدريب نماذج خطية محددة للتسميات لتحسين خسارة الترتيب التقريبية عبر الانحدار العشوائي. على الرغم من أن مشكلة MIML معقدة، فإن MIMLfast قادر على تحقيق أداء ممتاز من خلال استغلال علاقات التسميات مع الفضاء المشترك واكتشاف المفاهيم الفرعية للتسميات المعقدة. تُظهر التجارب أن أداء MIMLfast تنافسي للغاية مقارنة بالتقنيات الحديثة، بينما تكلفته الزمنية أقل بكثير. علاوة على ذلك، فإن منهجنا قادر على تحديد الحالة الأكثر تمثيلاً لكل تسمية، وبالتالي يوفر فرصة لفهم العلاقة بين الأنماط المدخلات ودلالات التسميات الناتجة.