در دنیای پیچیده هوش مصنوعی و یادگیری عمیق، همواره با چالش کمبود دادههای برچسب‌دار برای آموزش مدل‌ها مواجه هستیم. شبکههای عصبی Siamese یا دوقلو، راهکاری نوآورانه برای غلبه بر این محدودیت، به‌ویژه در حوزه یادگیری با نمونه‌های کم (Few-Shot Learning)، ارائه می‌دهند. این مقاله به بررسی عمیق معماری شبکههای Siamese، مبانی ریاضی توابع هزینه Contrastive و Triplet، و چگونگی آموزش آنها برای سنجش شباهت معنایی در دادههای مختلف، از جمله تصاویر و متون می‌پردازد.
چرا رویکردهای سنتی طبقهبندی کافی نیستند؟
روش‌های کلاسیک یادگیری ماشین برای وظایفی مانند تشخیص چهره یا امضای یک فرد، نیازمند هزاران نمونه از هر کلاس هستند. اما در سناریوهای واقعی، مانند سیستم‌های امنیتی یا بانکی، ممکن است تنها یک نمونه از امضا یا تصویر کاربر در دسترس باشد. در چنین شرایطی، شبکههای عصبی استاندارد مانند CNNهای معمولی با شکست مواجه می‌شوند. شبکههای Siamese با تغییر پارادایم، از پرسیدن «این نمونه متعلق به کدام کلاس است؟» به «این دو نمونه چقدر به هم شباهت دارند؟» روی می‌آورند. این تغییر رویکرد، امکان پیادهسازی سیستم‌های یادگیری با یک نمونه (One-Shot Learning) را فراهم میسازد.
معماری شبکههای Siamese (دوقلو): اشتراک وزن و فضای تعبیه
اصطلاح “Siamese” برگرفته از دوقلوهای به هم پیوسته است. در یادگیری ماشین، این معماری شامل دو زیرشبکه (Sub-network) کاملاً یکسان است که دو ویژگی کلیدی آنها را متمایز می‌کند:
- وزنهای مشترک (Shared Weights): هر دو زیرشبکه دارای پارامترها، وزنها و بایاس‌های یکسان هستند. به‌روزرسانی وزنها در یک زیرشبکه، مستقیماً بر دیگری نیز تأثیر می‌گذارد. این امر تضمین می‌کند که دادههای ورودی مشابه، توسط یک فضای ویژگی یکسان پردازش شوند.
- فضای تعبیه (Embedding Space): هدف اصلی زیرشبکه‌ها، تبدیل دادههای ورودی خام (مانند تصاویر) به بردارهای ویژگی فشرده در فضایی با ابعاد پایین است.
فرآیند پردازش (Forward Pass) به این صورت است که دو ورودی ($X_1$ و $X_2$) توسط شبکه پردازش شده و دو بردار ویژگی ($G(X_1)$ و $G(X_2)$) تولید میشود. سپس فاصله بین این دو بردار محاسبه می‌گردد؛ فاصله کمتر نشان‌دهنده شباهت بیشتر و فاصله بیشتر، نشان‌دهنده تفاوت است. رایج‌ترین معیار سنجش فاصله، فاصله اقلیدسی ($D(X_1, X_2) = ||G(X_1) – G(X_2)||_2$) است، هرچند در پردازش متن، شباهت کسینوسی نیز کاربرد دارد.
توابع هزینه: قلب تپنده آموزش شبکههای Siamese
انتخاب تابع هزینه مناسب، حیاتی‌ترین بخش در آموزش شبکههای Siamese است. دو تابع هزینه اصلی در این حوزه عبارتند از:
۱. تابع هزینه Contrastive Loss
این تابع که توسط «یان لی‌کان» معرفی شد، بر روی جفت داده‌ها عمل می‌کند. اگر دو تصویر مشابه باشند ($Y=0$)، شبکه تلاش می‌کند فاصله ($D$) را به صفر برساند. اگر متفاوت باشند ($Y=1$)، شبکه سعی می‌کند فاصله را حداقل به اندازه مارجین ($m$) افزایش دهد:
$$L = (1-Y) \frac{1}{2} (D)^2 + (Y) \frac{1}{2} \{ \max(0, m – D) \}^2$$
پارامتر $m$ (Margin) تعیین‌کننده میزان جداسازی نمونه‌های غیرمشابه است و نقش کلیدی در جلوگیری از همگرایی نامناسب شبکه ایفا می‌کند.
۲. تابع هزینه Triplet Loss
این روش که با مدل FaceNet گوگل محبوبیت یافت، با سه ورودی کار می‌کند: Anchor (A)، Positive (P) (مشابه A) و Negative (N) (متفاوت از A). هدف، کمینه کردن فاصله بین A و P و بیشینه کردن فاصله بین A و N است:
$$L(A, P, N) = \max(0, ||f(A) – f(P)||^2 – ||f(A) – f(N)||^2 + \alpha)$$
در اینجا $\alpha$ یک مارجین اضافی برای اطمینان از جدایی کافی بین نمونه‌هاست.
چالش‌ها و استراتژیهای آموزش
آموزش شبکههای Siamese به دلیل نامتوازن بودن داده‌ها (تعداد جفت‌های غیرمشابه بسیار بیشتر از مشابه) دشوارتر است. برای غلبه بر این مشکل، از تکنیک‌هایی مانند ایجنت کدنویسی هوشی استفاده میشود که قادر به انتخاب هوشمندانه داده‌ها و اجرای استراتژیهای پیچیده مانند Hard Mining است. این تکنیک‌ها به انتخاب نمونه‌هایی می‌پردازند که شبکه در طبقهبندی آنها دچار اشتباه شده است (Hard Positives و Hard Negatives) تا فرآیند یادگیری مؤثرتر شود.
نرمال‌سازی بردارهای خروجی (Embedding Vectors) با استفاده از L2 Normalization نیز برای جلوگیری از ناپایداری در آموزش ضروری است.
کاربردهای صنعتی شبکههای Siamese
شبکههای Siamese کاربردهای گسترده‌ای دارند، از جمله:
- تایید هویت بیومتریک: تشخیص امضا، اثر انگشت و چهره.
- سیستم‌های توصیه‌گر: پیشنهاد محصولات مشابه در فروشگاه‌های آنلاین.
- پردازش زبان طبیعی (NLP): تشخیص شباهت معنایی جملات برای یافتن سوالات تکراری در پشتیبانی مشتری.
- تشخیص ناهنجاری: شناسایی قطعات معیوب در خطوط تولید صنعتی.
نتیجه‌گیری و افق آینده
شبکههای Siamese پلی میان یادگیری عمیق و محیط‌های با دادههای محدود هستند. با بهره‌گیری از اشتراک وزن و تغییر مسئله از طبقهبندی به سنجش فاصله، این شبکه‌ها قابلیت تعمیم‌پذیری بالایی از خود نشان می‌دهند. تحقیقات اخیر به سمت ترکیب این شبکه‌ها با یادگیری خود-نظارتی (Self-Supervised Learning) پیش می‌رود تا نیاز به دادههای برچسب‌دار را به حداقل برساند. برای پیادهسازی موفق، تمرکز بر استراتژیهای انتخاب داده و تنظیم دقیق پارامترهای تابع هزینه، کلید موفقیت است. با پلتفرم ایجنت هوشی، میتوانید به راحتی ایجنتهای سفارشی خود را برای این منظور بسازید و از API هوشی برای ادغام در برنامه‌هایتان بهره ببرید.
چرا هوشی؟
پلتفرم هوشی با ارائه ابزارهای قدرتمند و انعطاف‌پذیر، به شما امکان می‌دهد تا پیچیده‌ترین مدلهای هوش مصنوعی را به سادگی پیادهسازی و مدیریت کنید. از ساخت ایجنتهای کدنویسی گرفته تا دسترسی به APIهای پیشرفته و شفافیت کامل در بیلینگ، هوشی همراه شما در مسیر نوآوری است. برای شروع، به هوشی خوش آمدید.