تعلم ما يجب تجنبه: تعزيز نماذج الرؤية واللغة بأسلوب مبتكر!

في عالم الذكاء الاصطناعي، تعتبر نماذج الرؤية واللغة (Vision-Language Models) من الأدوات الأساسية في تطوير التطبيقات الذكية. ولكن كما يشير بحث جديد تم نشره على arXiv، فإن تحسين هذه النماذج باستخدام تقنيات مثل تحسين التوجيه المعاكس (Adversarial Prompt Tuning) قد يعاني من مشاكل تؤدي إلى تدهور في الأداء عند مواجهة أمثلة لم يتم تدريب عليها.

تكمن المشكلة في أن الطرق التقليدية تعزز من تعلم السمات الزائفة التي لا يمكن تعميمها، مما يُضعف قدرة النموذج على التصرف بفعالية عندما تواجهه حالات جديدة. لذلك، جاء البحث بمفهوم مبتكر يُعرف باسم ADAPT – أو تحسين التوجيه المعاكس المفكك، والذي يستند إلى الفلسفة القائلة بـ "تعلم ما يجب تجنبه" (Learning What Not to Learn).

يعتمد ADAPT على آلية ثنائية للتوجيه، تتضمن توجيه مستهدف ومجموعة من التوجيهات الخادعة. خلال مرحلة التدريب، يتم توجيه هذه التوجيهات الخادعة لتسجل السمات الزائفة المتنوعة، بينما يُشترط على التوجيه المستهدف أن يكون عموديًا على الخداع في فضاء التضمين، مما يؤدي إلى تعلم السمات القوية. هذه العملية تعزل السمات القوية عن السمات الزائفة بشكل فعال، مما يمنع تدهور القدرة على التعلم.

علاوةً على ذلك، يقدم البحث تحليلاً يُظهر أن خسارة العمودي تُحد من تأثير التحولات في السمات الزائفة، مما يضمن أداءً أفضل لم يتم التحقق منه أمام الفئات غير المرئية. التجارب العملية أثبتت أن ADAPT يعزز بشكل كبير من قوة الأداء للتوجيه المستهدف عندما يتعلق الأمر بالفئات غير المرئية.

لمن يرغب في استكشاف الكود الخاص بدراسة ADAPT، يمكنكم زيارة رابط الكود. هذا التطور يمثل خطوة جديدة نحو تمكين نماذج الذكاء الاصطناعي من أداء مهامها بشكل أكثر فاعلية ودقة.