معجم الذكاء الاصطناعي

العتبة الواثقة

Confidence Thresholding

الاكتفاء بعينات التسمية الآلية عند تجاوز عتبة ثقة مرتفعة، فتكتمل إضافة الموسومة الآمنة ويرتج عن تسميات محاطة بشك.

المزج شبه المراقب

Semi-Supervised Mixup

امتزاج شبه مراقب للميزات من عينات موسمة وغير موسومة خلطًا محكمًا خطيًا وإلزام النموذج بالتنبؤات الممتزجة، فترتفع باسم البرنامج.

الاستفادة من غير الموسوم

Unlabeled Data Utilization

استغلال البيانات غير الموسومة المتوفرة بغزارة في رفع تعلم النموذج، عبر توحيدها في أهداف ذاتية أو شبه إشرافية داخل خط التدريب.

التنبؤ المقنع

Masked Prediction

تدريب ذاتي الإشراف يتنبأ فيه النموذج بالرموز أو الأجزاء المقنّعة من الإدخال، فيتعلم تمثيلات لغوية غنية من نص خام دون تسميات بشرية.

التنبؤ بالسياق

Context Prediction

هدفة ذاتية تدرّب النموذج على التنبؤ بمحتوى سياق قريب من إشارة محفوظة، فيتعلم انسجام النصوص وعلاقات الجمل دون تسميات خارجية.

التمثيل المتباين

Contrastive Representation

تعلم تمثيلات بحيث يتقارب ما يتشابه دلاليًا ويتباعد ما يختلف، عبر أهداف تتباين العينات الإيجابية عن السلبية، فيخرج فضاء مفيد للغاية.

المعلم الذاتي

Self-Distillation

تقطير ذاتي يتعلم فيه النموذج من تنبؤاته الضعيفة المعيارية بدل معلم خارجي، فيرتقي الأداء بائد تسمياته الموثوقة تدريجيًا دون شريك بيانات خارجي.

الهدف القبلي

Pretext Task

المهمة الداعمة التي تُدرَّب عليها النموذج ليتعلم تمثيلات أولية (كتنبؤ الكلمات أو تدوير الصور)، ثم تُستغل تمثيلاتها في المهام النهائية بالمحصلة.

التعلم دون تسميات

Label-Free Learning

تعلم تمثيلات دون أي تسميات بشرية بالكامل، عبر أهداف ذاتية مستقاة من بنية البيانات نفسها، فيبني نماذج فؤلاء قادرة على النقل البعيد.

محاذاة التمثيلات

Representation Alignment

تحقيق تقارب بين تمثيلات المصادر أو الصيغ المختلفة لنفس الدلالة، فيوحّد فضاءاتها ويسمح بالانتقال والبحث المتقاطع بينها.

انتظام التمثيل

Representation Regularization

قواعد تنظيمية على التمثيلات كتقييد حجمها أو نعمان تسلسلها، لتحسين الخصائص والتعميم والاستقرار دون مساس بالإشارة الجوهري.

تقييم النقل

Transfer Evaluation

تقييم مدى فاعلية المعرفة المكتسبة في مهمة سابقة عند نقلها لمهام أخرى، فيقاس مقدار القدرة المكتسبة وسلامة التعميم المهاجر.

النسيان الكارثي

Catastrophic Forgetting

ظاهرة النسيان؛ تعلم النموذج لمهمة جديدة يجرّف المعرفة المكتسبة بالمهام السابقة، فينخفض أداؤها القدامية، وهو التحدي الجوهري للتعلم المستمر.

إعادة التشغيل

Replay

إعادة تشغيل أمثلة أو ممثلات المهام السابقة أثناء تعلم المهام الجديدة، فيُذكَّر النموذج ما تعلمه سابقًا ويقي نفسه من النسيان الكارثي.

الانتظام المرن

Elastic Regularization

تعلية متنظمة تتضمن التمرينات عن الأوزان المهمة القادمة: من يحرّك الوزن المهم للمهمة السابقة دُفِع لتقليل حركته، فتحفظ الذاكرة البعيدة مجددًا.

التعلم المتسلسل

Sequential Learning

التعلم المتسلسل يضيف المهام والمهارات تباعًا واحدًا تلو الآخر، متطلبًا آليات حفظ تمنع النسيان وتتيح تراكم المعرفة بلا تدريب جماعي من جديد.

ذاكرة العينات

Exemplar Memory

ذاكرة تحتفظ بأمثلة تمثيلية أو ملخصات من المهام السابقة تُستعاد عند الحاجة، فتمكّن التذكّر والتعلم المستمر دون الاحتفاظ بالبيانات كلها.

اكتشاف المهام

Task Discovery

اكتشاف مهام أو فئات جديدة لم تُعلم للنموذج من قبل، عبر مراقبة الأنماط الجديدة في البيانات، ولسعته بالتعرف والمعالجة المستجدين.

تغير التوزيع

Distribution Shift

تغير توزيع البيانات بين التدريب والتشغيل كانزياح في السياق أو النطاق، فتنكمش دقة النموذج الغير مكيفة، ويُعد ركيزة تحدي التعميم الواقعي.

التكيف المستمر

Continual Adaptation

تكيف النموذج مع الظروف والبيانات المتغيرة بمرور الزمن دون البدء من جديد، بمراقبة الانحراف وتحديث بارامتراته باستمرار بسلامة الماضي.

التقييم التراكمي

Cumulative Evaluation

قياس الأداء تراكميًا وعبر سلسلة المهام المتعاقبة كلها لا على المهمة الأخيرة فقط، فيرصد التوازن بين كسب الجديد وحفظ القائم.

الاحتفاظ بالمعرفة

Knowledge Retention

حفاظ النموذج على المعرفة والمهارات القديمة أثناء تعلمه الجديد، وهو الهدف المحوري للتعلم المستمر وعلاج ظاهرة النسيان الكارثي.

أخذ العينات غير اليقينية

Uncertainty Sampling

استراتيجية عينات فعالة تختار للوسم العناصر الأكثر غموضًا أدنى ثقة النموذج، فتُتجه موارد التسمية للنقاط الأكثر أثرًا في التعلم.

أخذ العينات بالتنوع

Diversity Sampling

اختيار عينات متنوعة المعالم تغطي مساحات مختلفة من الفضاء والتمثيلات، فتقل التكرار وتضمن خبرة تدريب شاملة لا تنحصر في منطقة ضيقة.

الاستعلام باللجنة

Query by Committee

طريقة لجنة: عدة نماذج تصوّت على تسمية غير موسومة؛ ويُسأل من تعددت حكومتهم إجاباتهم. فيُشاهد الخلاف مقياسًا لعدم اليقين والاختيار الأكثر قيمة.

اختيار الدفعة

Batch Selection

اختيار الدفعة المثلى من العينات المرشحة في كل جولة استعلام، بموازنة المنفعة والتغطية وحجم الدفعة، لترتفع كفاءة الجولة الواحدة كاملة.

ميزانية الوسم

Labeling Budget

الميزانية المحدودة لتسمية العينات في التعلم النشط، تحكم عدد استعلامات اللجنة الكلية وتوجيه اختيار العينات الأثر الأعلى ضمن السقف.

أوراكل الوسم

Labeling Oracle

جهة التسمية الموثوقة التي يجيب عليها نظام التعلم النشط كالمختص البشري أو القاعدة المعروفة، فلا يقترب منها اللجنة إلا بما يفيد التعلم فعلًا.

منفعة الاستعلام

Query Utility

قياس الفائدة المتوقعة من وسم عينة معينة على التحسين القادم، فيرتب مرشحو كل جولة ويُختار الأعلى أثرًا قبل إنفاق موارد التسمية.

التغطية التمثيلية

Representative Coverage

تغطية العينات المختارة للمساحات الممثلة في توزيع البيانات، فيشمل التعلم النشط طيفًا واسعًا ولا يغفل فئات نادرة وحالات طرفية.

إيقاف الاستعلام

Query Stopping

قواعد إيقاف الاستعلام عن اللجنة حين تستقر النموذج أو تنخفض المنفعة المتوقعة، فيتوقف الإنفاق على التسمية عند بلوغ الجدوى القصوى.

كفاءة الوسم

Label Efficiency

قياس كفاءة تعلم النموذج نسبة إلى عدد التسميات المقدمة، إذ ترتفع الكفاءة حين يصل النموذج دقة عالية بتسميات أقل.

دالة التوزيع التراكمي

cumulative distribution function

دالة تعطي احتمال أن يأخذ متغير عشوائي قيمة لا تتجاوز حداً معيناً (CDF).

النموذج الفكري للتعلم الآلي

ml paradigm

إطار مفاهيمي أو مدرسة منهجية تحكم طريقة بناء نماذج التعلم الآلي وتدريبها.