🔍 راز بهره‌وری یادگیری نیمه‌نظارتی کشف شد!

حتماً برایتان سوال شده که چرا مدل‌های «یادگیری خود-نظارتی» (Self-supervised) با داده‌های برچسب‌دار بسیار کم، به دقت‌های خیره‌کننده‌ای می‌رسند؟ محققان بالاخره پاسخی نظری برای این معما پیدا کردند! 🧠

در این پژوهش جدید، ثابت شده که «تکنیک‌های تقویت داده» (Data Augmentation) در واقع یک گراف شباهت ایجاد می‌کنند که باعث می‌شود یادگیری روی این گراف، بسیار کارآمدتر از روش‌های سنتی باشد. در واقع، با این روش نرخ خطای مدل به طرز چشمگیری بهبود پیدا می‌کند. این یعنی حالا می‌دانیم چرا و چگونه با داده‌های کمتر، به نتایج هوشمندتری می‌رسیم!

منبع: arXiv Machine Learning