في الوقت الذي تسعى فيه التكنولوجيا لتطوير أدوات أكثر ذكاءً، تظهر تحديات جديدة في مجالات مثل الهجمات الخفية للنص إلى صورة (T2I). تعد دقة النموذج أمرًا أساسيًا للحصول على نتائج موثوقة في هذه الهجمات. ولعل التقنيات التقليدية مثل التعلم بدون نسيان (Learning without Forgetting - LwF) قد أظهرت بعض القصور بسبب اعتمادها على التقطير القائم على المخرجات، مما يحد من فاعلية الحفاظ على دقة النموذج في سياق الهجمات.

لذا، يأتي الجديد في هذا المجال مع اقتراح استخدام طريقة تسمى الاندماج المرن للأوزان (Elastic Weight Consolidation - EWC)، التي تعد بديلاً معتمدًا على المعلمات. ورغم أن هذه الطريقة تقضي بتحسين الدقة، فإن تطبيق EWC التقليدي مع وزن ثابت لمعدل الانتظام يؤدي إلى خلق مفاضلة اصطناعية بين معدل نجاح الهجمة (Attack Success Rate - ASR) والدقة، مما يؤثر سلبًا على الأداء عند استخدام مشغلات ضعيفة.

لمعالجة هذا النقص، تم تقديم EWC التكيفي المدعوم بالزوايا الجيبية، الذي يعدل بشكل ديناميكي معدل الانتظام باستخدام الفائدة الدلالية المعتمدة على الزاوية الجيبية، مع جدول زمني تكيفي. هذه المقاربة تحول EWC من عقوبة ثابتة إلى قيد حساس للسياق، مما يحافظ على نسبة ASR عالية في حين يحفظ دقة النموذج.

تظهر التجارب تحسنًا ملحوظًا في توازن ASR والدقة، بالإضافة إلى تعزيز المتانة على مجموعات البيانات غير المألوفة (Out-Of-Domain - OOD) مقارنةً بأساليب الأداء السابقة. إن هذه التطورات تتسق مع الاتجاهات المتزايدة نحو استخدام أساليب ذكية ومرنة في مجالي الذكاء الاصطناعي والتعلم الآلي.