التعلم شبه الخاضع للإشراف

التعلم شبه الخاضع للإشراف (SSL) هو تقنية من تقنيات تعلم الآلة تقع بين مجالي التعلم الخاضع للإشراف وغير الخاضع للإشراف. يستفيد من كل من البيانات الموسومة وغير الموسومة لتدريب النماذج، مما يجعله مفيدًا بشكل خاص عندما تتوفر كميات كبيرة من البيانات غير الموسومة، ولكن وضع العلامات على جميع البيانات أمر غير عملي أو مكلف. يجمع هذا الأسلوب بين ميزات التعلم الخاضع للإشراف—الذي يعتمد على البيانات الموسومة للتدريب—والتعلم غير الخاضع للإشراف—الذي يستخدم البيانات غير الموسومة لاكتشاف الأنماط أو التجميعات.

الخصائص الرئيسية للتعلم شبه الخاضع للإشراف

1. استخدام البيانات: يستخدم جزءًا صغيرًا من البيانات الموسومة إلى جانب جزء أكبر من البيانات غير الموسومة. يتيح هذا المزيج للنماذج التعلم من البيانات الموسومة مع الاستفادة من البيانات غير الموسومة لتحسين التعميم والأداء.
2. الافتراضات:
   • افتراض الاستمرارية: النقاط القريبة في مساحة الإدخال من المرجح أن تحمل نفس العلامة.
   • افتراض التجمع: تميل البيانات إلى تشكيل مجموعات حيث تشترك النقاط في نفس التجمع في العلامة.
   • افتراض المشعب: البيانات ذات الأبعاد العالية منظمة ضمن مشعب منخفض الأبعاد.
3. التقنيات:
   • التدريب الذاتي: يُستخدم النموذج المدرب مبدئيًا على البيانات الموسومة للتنبؤ بعلامات البيانات غير الموسومة، ويُعاد تدريبه بشكل تكراري باستخدام هذه العلامات الافتراضية.
   • التدريب المشترك: يُدرَّب نموذجان على مجموعات ميزات أو رؤى مختلفة من البيانات، ويساعد كل منهما في تحسين تنبؤات الآخر.
   • طرق الرسوم البيانية: تستخدم البُنى الرسومية لنشر العلامات عبر العقد، مستفيدة من التشابه بين نقاط البيانات.
4. التطبيقات:
   • التعرف على الصور والكلام: حيث يكون وضع العلامات على كل نقطة بيانات عملًا مكثفًا.
   • كشف الاحتيال: الاستفادة من الأنماط في مجموعات بيانات المعاملات الكبيرة.
   • تصنيف النصوص: تصنيف مجموعات ضخمة من المستندات بكفاءة.
5. الفوائد والتحديات:
   • الفوائد: يقلل الحاجة إلى مجموعات بيانات موسومة ضخمة، ويحسن دقة النموذج من خلال الاستفادة من المزيد من البيانات، ويمكنه التكيف مع البيانات الجديدة بحد أدنى من وضع العلامات الإضافية.
   • التحديات: يتطلب التعامل الدقيق مع الافتراضات، كما أن جودة العلامات الافتراضية يمكن أن تؤثر بشكل كبير على أداء النموذج.

أمثلة على حالات الاستخدام

• التعرف على الكلام: استخدمت شركات مثل Meta التعلم شبه الخاضع للإشراف لتعزيز أنظمة التعرف على الكلام عبر تدريب النماذج مبدئيًا على مجموعة صغيرة من الصوتيات الموسومة، ثم توسيع التعلم باستخدام مجموعة أكبر من الصوتيات غير الموسومة.
• تصنيف مستندات النص: في الحالات التي يكون فيها وضع علامات يدوية على كل مستند أمرًا غير عملي، يساعد التعلم شبه الخاضع للإشراف في تصنيف المستندات من خلال الاستفادة من مجموعة صغيرة من الأمثلة الموسومة.

الأبحاث حول التعلم شبه الخاضع للإشراف

يُعتبر التعلم شبه الخاضع للإشراف نهجًا في تعلم الآلة يعتمد على استخدام كمية صغيرة من البيانات الموسومة ومجموعة أكبر من البيانات غير الموسومة لتدريب النماذج. وتبرز أهمية هذا الأسلوب بشكل خاص عندما يكون الحصول على مجموعة بيانات موسومة بالكامل أمرًا مكلفًا أو يستغرق وقتًا طويلاً. فيما يلي بعض الأوراق البحثية البارزة التي تناولت مختلف جوانب وتطبيقات التعلم شبه الخاضع للإشراف: