في عصر البيانات الضخمة، يظل التعلم النشط (Active Learning) استراتيجية حيوية لتقليل التكاليف المرتبطة بالتوصيف في التعلم العميق الذي يتطلب كميات هائلة من البيانات. ومع ذلك، تواجه الخوارزميات الحالية تحديات كبيرة، حيث تركز بشكل أساسي على البيانات أحادية الموديل، متجاهلة العبء الكبير للتوصيف الذي يصاحب التعلم متعدد الموديلات.

في خطوة مبتكرة، قدم الباحثون الإطار الأول من نوعه للتعلم النشط متعدد الموديلات مع بيانات غير متوافقة، حيث يتعين على المتعلم أن يحصل بنشاط على التوافقات بين الموديلات بدلاً من الحصول على تسميات للأزواج المتوافقة مسبقًا. هذا الانجاز يعكس العقبة العملية التي نواجهها في خطوط الأنابيب الحديثة متعددة الموديلات، حيث من السهل الحصول على الميزات أحادية الموديل، إلا أن التوافق عالي الجودة يعد مكلفًا.

طور الباحثون خوارزمية جديدة، تجمع بين مبادئ عدم اليقين (Uncertainty) والتنوع (Diversity) في تصميم مدرك للموديلات، مما يحقق اكتسابًا في زمن خطي، ويمكن تطبيقه بسلاسة على كل من البيئات القائمة على المجموعات والبيئات المتدفقة.

تظهر التجارب المكثفة على مجموعات البيانات القياسية أن نهجهم يقلل بصفة مستمرة من تكلفة التوصيف متعدد الموديلات في الوقت الذي يحافظ فيه على الأداء. على سبيل المثال، في مجموعة بيانات ColorSwap، تم تقليل متطلبات التوصيف بنسبة تصل إلى 40% بدون فقدان في دقة النتائج.

إذا كنت مهتمًا بالتطورات في مجال التعلم النشط متعدد الموديلات، فلا تتردد في طرح آرائك أو الاستفسارات في التعليقات أدناه!