مهمة اكتشاف حالات الصوت شبه المراقبة عادة تستفيد من البيانات الكبيرة غير المعلمة والبيانات المركبة لتعزيز قدرة النموذج الشاملة، مما يقلل بشكل فعال من التنصت على النموذج في البيانات ذات التعليمات القليلة. ومع ذلك، غالبا ما يرافق العملية التدريبية الشاملة الضوضاء في الملصقات الزائفة والتداخل الجوال لمعرفة المجال. للتخفيف من تداخل الضوضاء نصف المربع لتعزيز تعلم توزيع الفئة، نقترح طريقة تعلم توزيع الفئة شبه المراقبة (PADO) القائمة على الإرشاد الديناميكي. على وجه الخصوص، عندما يتم توفير بيانات الملصقات الحقيقية، يضم PADO تضمينًا ديناميكيًا لمجموعة من المعلمات المستقلة القابلة للتعلم (رموز الفئة) لاستكشاف المعرفة الأولية لتوزيع الحقيقي كمعلومات الإرشاد الإضافية، وبالتالي تفاعل الديناميكي مع معرفة توزيع ما بعد المعرفة المضطربة، مما يحقق تحسينا لمعرفة توزيع الفئة ويحتفظ بأداء النموذج الشامل. بناءً على هذا، يمكن PADO بشكل كبير تحسين كفاءة تعلم توزيع الفئة. تشير النتائج التجريبية على مجموعات البيانات DCASE 2019 و 2020 و 2021 إلى أن PADO يفوق بوضوح الطرق المتقدمة الحالية ويسهل نقلها إلى نماذج رئيسية أخرى.

ضبط الإرشاد. تعلم توزيع الفئة. التعلم شبه المراقب. اكتشاف حالات الصوت