مهندس تعلّم عميق لتصميم “عنق زجاجة” (Bottleneck) تفسيري داخل GAN

نبحث عن مهندس يمتلك خبرة قوية في النماذج التوليدية لتطوير طبقة عنق زجاجة تفسيري داخل مولّدات GAN. الفكرة الأساسية هي تضييق التمثيل الكامن

?

z وتقسيمه إلى كبسولات دلالية قابلة للتحكّم (مثل: الوضع/الـPose، النسيج، الإضاءة، الخلفية) مع ربط كل كبسولة بقناة توليد محدّدة. يهدف المشروع إلى:

رفع قابلية التفسير عبر مواءمة الأبعاد الكامنة مع مفاهيم بشرية مفهومة (Concept Bottleneck).

تحسين المتانة (Robustness) وتقليل الارتباطات المتحيّزة (مثل سمات الجنس/المكياج) من خلال خسائر فصل/تبعثر مناسبة وانتظامات sparsity.

تمكين تحكّم دقيق في السمات بدون تدهور ملحوظ في جودة الصور.

المهام والمسؤوليات

تصميم معماري لطبقة Bottleneck تفسيريّة قابلة للإدراج في StyleGAN/BigGAN أو ما يماثلهما.

صياغة دوال خسارة تجمع بين:

فصل العوامل (Disentanglement) وسپارسيتي في الأبعاد.

مواءمة ضعيفة الإشراف بين الأبعاد والمفاهيم (Weak Supervision / Prototype Alignment).

الحفاظ على الهوية/البنية (Perceptual/LPIPS) وجودة توليد عالية.

(اختياري) ربط الرؤوس الانتباهية Self-Attention بالمفاهيم الدلالية لتتبّع «من ينتبه إلى ماذا».

إعداد خطوط تدريب وتقييم قابلة لإعادة التشغيل على مجموعات بيانات مثل: CIFAR-10، CelebA-HQ، AFHQ، وMNIST (للنماذج الخفيفة).

تقييم الجودة والتفسير والإنصاف/التحيّز باستخدام مقاييس مثل: FID، Precision/Recall for GANs، DCI-Disentanglement، SAP، وقياسات العدالة البسيطة على السمات الحسّاسة.

إعداد توثيق وتقارير تقنية مختصرة ومرتّبة، مع أكواد نظيفة ووحدات اختبار.

المخرجات المتوقعة

كود كامل (PyTorch) مع تعليمات تشغيل، ملفات إعداد، ووحدات اختبار.

تقرير تقني من 4–6 صفحات يشرح التصميم، الخسائر، البيانات، والنتائج.

رسومات معمارية ودفتر تجارب (Experiment Log) يوضح الإعدادات والتحسينات.

عروض توضيحية قصيرة للتحكّم في السمات (Notebooks/Streamlit).

المؤهلات المطلوبة

خبرة مثبتة في GANs (StyleGAN/BigGAN أو ما شابه) والتدريب المستقر لها.

إتقان PyTorch، إدارة التجارب، وتتبع المراحل (Weights & Biases أو بديله).

فهم عميق لـ disentanglement، sparsity/regularization، و(اختياريًا) concept bottlenecks.

قدرة على تصميم مقاييس تفسير/إنصاف بسيطة وتنفيذ تقييمات منهجية.

تواصل ممتاز وتوثيق منظّم.

مهارات مفضّلة (Bonus)

خبرة في Attention Mapping وتثبيت الرؤوس بالمفاهيم (Head-Concept Alignment).

خبرة بهجمات واختبارات المتانة (FGSM/PGD) على المولّدات أو فيضانات الضجيج.

خبرة بقياسات العدالة متعددة السمات أو اكتشاف العينات الشاذة/OOD.

البيئة التقنية

Python 3.10+، PyTorch، CUDA.

Hydra/Lightning (أو بديل منظم)، Weights & Biases، torchvision.

أدوات تصوير: LPIPS، FID، ودفاتر Jupyter للعروض.

معايير القبول

تحكّم واضح وقابل للتكرار في ≥ 4 سمات دلالية دون تدهور كبير في FID.

تحسّن ملموس في مقاييس الفصل (DCI/SAP) مقابل خط أساس قوي.

عرض حالات تقلّل الارتباطات المتحيّزة (أمثلة قبل/بعد + إحصاءات بسيطة).

المدة والميزانية

المدة المقترحة: 3–6 أسابيع (مرنة حسب النطاق).

الميزانية: حسب الخبرة ونطاق التسليم (يُحدّد بعد مقابلة قصيرة ونموذج عمل سابق).

طريقة التقدّم

أرسل/ي:

نماذج كود/مشاريع سابقة في GANs أو التفسير/الفصل.

سطرين عن نهجك المقترح لتصميم الـBottleneck ومقاييس التقييم التي ستعتمدها.

ملاحظة: يفضَّل المرشح القادر على تسليم نموذج أولي سريع (Minimal Prototype) خلال الأسبوع الأول لإثبات الفكرة قبل التوسّع.