في السنوات الأخيرة، حظيت التعلم الصفري متعدد التصنيفات (ML-ZSL) باهتمام متزايد نظرًا لتطبيقاته المحتملة الواسعة النطاق، مثل توصيف الصور، وتصنيف النصوص، والمعلوماتية الحيوية. التحدي المركزي في ML-ZSL يكمن في التنبؤ بعدة تصنيفات للفئات غير المرئية دون الحاجة إلى بيانات تدريب معنونة، مما يتناقض مع أنماط التعلم الآلي الإشرافي التقليدية. ومع ذلك، تواجه الطرق الحالية عدة تحديات كبيرة، منها الفجوة الدلالية الكبيرة بين الأنماط المختلفة التي تعيق النقل الفعال للمعرفة، والعلاقات المعقدة والمركبة عادة بين التصنيفات المتعددة، مما يصعب نمذجتها بطريقة ذات معنى ودقة. للتغلب على هذه التحديات، نقترح نهج استدلالي لسلسلة الأفكار متعددة الأنماط المعزز بالرسم البياني (GMCoT). تجمع الطريقة المقترحة بين قوة نماذج اللغة الكبيرة متعددة الأنماط مع البنى القائمة على الرسم البياني، معززة بشكل كبير عملية الاستدلال في التنبؤ بعدة تصنيفات. أولاً، يتم تقديم إطار عمل استدلالي جديد لسلسلة الأفكار متعدد الأنماط يحاكي تفكيرًا خطوة بخطوة يشبه التفكير البشري لإنتاج تنبؤات متعددة التصنيفات. ثانيًا، يتم تقديم تقنية لدمج رسوم التصنيفات البيانية في عملية الاستدلال. تمكن هذه التقنية من التقاط العلاقات الدلالية المعقدة بين التصنيفات، مما يحسن دقة واتساق التوليد متعدد التصنيفات. تظهر التجارب الشاملة على مجموعات البيانات المرجعية أن نهج GMCoT المقترح يتفوق على الطرق الحديثة في ML-ZSL.

سلسلة الأفكار;التعلم الصفري متعدد التصنيفات;الاستدلال متعدد الأنماط;نموذج اللغة الكبير