في عالم الذكاء الاصطناعي، يعد الكشف عن العينات الغير متوافقة (Out-of-distribution) من التحديات الكبيرة، خاصةً عندما يتعلق الأمر بنماذج التدريب القائمة على بيانات معينة. فمعظم طرق الكشف الحالية تعتمد على وجود عدد كبير من العينات المتوافقة، مما يؤثر بشكل سلبي على قدرتها في التطبيقات الواقعية. هنا يأتي دور الابتكار الجديد: شبكة التباين متعددة الموجهات (Adaptive Multi-prompt Contrastive Network - AMCN).

تستهدف AMCN حلاً في سيناريوهات صعبة، حيث يتوفر عدد قليل جداً من العينات المعروفة. حيث تعتبر مشكلة الكشف في حالات قليلة التجريب أكثر تعقيداً مقارنةً بالإعدادات التقليدية. ما يميز هذا البحث هو تركيزه على التنوع الكبير بين الفئات المختلفة، وهو أمر غالباً ما يُهمَل في الأبحاث السابقة.

تعتمد AMCN على أسلوب مبتكر يساهم في تحديد حدود فصل العينات المتوافقة وغير المتوافقة من خلال فهم التوزيع بين الفئات الداخلة (ID) والخارجة (OOD). لدعم هذا، تتوسط النظام اتصال بين النصوص والصور باستخدام تقنية CLIP، مما يؤدي إلى توليد موجهات نصية قابلة للتعلم.

على وجه الخصوص، تبدأ AMCN بتوليد موجهات قابلة للتكيف تشمل: موجهات ID القابلة للتعلم، الموجهات الثابتة للـ OOD، والموجهات التكيفية للـ OOD. بعد ذلك، يتم تحديد حد فئة لكل فئة باستخدام عتبة فريدة. وأخيراً، تتضمن الوحدة الفصيلة الموجهة لتحديد الهوامش بين الموجهات الداخلة والخارجة، مما يقدم أداءً متميزًا مقارنةً بأحدث التقنيات المتاحة.

تظهر النتائج التجريبية أن الشبكة الجديدة تتفوق على الحلول الأخرى الموجودة في الفضاء الحالي، مما يجعلها مبتكرة وواعدة في مجال الذكاء الاصطناعي. إن هذه التطورات تفتح آفاقاً جديدة وتحل مشكلات قديمة معقدة في التصنيف والكشف عن العينات غير المتوافقة.