باختصار
التدريب المشترك (Co-training) أسلوب تعلّم شبه مُشرَف بيستفيد من وجود مجموعتين مختلفتين ومستقلّتين من السمات التنبّؤية لنفس الأمثلة.
بالتفصيل
الأسلوب ده مفيد تحديدًا لما تتحقّق الشروط التالية كلها:
- نسبة الأمثلة غير الموسومة إلى الأمثلة الموسومة في مجموعة البيانات مرتفعة.
- المسألة مسألة تصنيف، ثنائية كانت أو متعدّدة الفئات.
- مجموعة البيانات تحتوي على مجموعتين مختلفتين من السمات التنبّؤية، مستقلّتين عن بعضهما ومكمّلتين لبعضهما.
والجوهر إن التدريب المشترك بيضخّم إشارات مستقلّة إلى إشارة أقوى.
المثال التوضيحي: نموذج تصنيف بيصنّف سيارات مستعملة إلى «جيّدة» أو «سيّئة». مجموعة السمات الأولى ممكن تركّز على خصائص إجمالية زي سنة الصنع والماركة والطراز. والمجموعة التانية ممكن تركّز على سجلّ قيادة المالك السابق وتاريخ صيانة السيارة.
لاحظ إن المجموعتين بتشوفا نفس السيارة من زاويتين لا تعتمد إحداهما على الأخرى. وده بالظبط شرط الاستقلال اللي بتقوم عليه الطريقة — ولو انكسر الشرط ده، الطريقة بتفقد ميزتها.
والورقة التأسيسية في الموضوع هي «Combining Labeled and Unlabeled Data with Co-Training» لبلوم وميتشل.
مثال عملي
عندك مليون منتج في متجر، منها 3000 فقط موسومة يدويًا بـ«أصلي» أو «مقلّد».
مجموعة السمات الأولى: نصّ الوصف والعنوان. الثانية: صور المنتج. الاتنين مستقلّتان ومكمّلتان. التدريب المشترك بيخلّي كل نموذج يوسم أمثلة يثق فيها ليتعلّم منها الآخر، فتستفيد من التسعمئة وسبعة وتسعين ألف مثال غير الموسومة.
مصطلحات مرتبطة
- Semi-Supervised Learning — التعلّم شبه المُشرَف.
- Labeled Example — المثال الموسوم.
- Supervised Fine-Tuning — الضبط الدقيق المُشرَف.
المصادر: Google ML Glossary
