في ظل التطورات السريعة التي يشهدها مجال الذكاء الاصطناعي، حققت تقنيات التعلم العميق إنجازات ملحوظة، خاصة في مجالات الروبوتات ومعالجة الصور والأصوات. ومع ذلك، تعاني الشبكات العصبية من اعتماد قوي على مجموعات البيانات الكبيرة والثابتة، وهو أمر نادر الحدوث في التطبيقات الواقعية حيث تتغير توزيعات البيانات مع مرور الوقت.

تسعى تقنيات التعلم المستمر (Continual Learning) إلى مواجهة هذا التحدي من خلال تطوير نماذج قادرة على التكيف بشكل تدريجي مع الحفاظ على توازن بين الاستقرار والمرونة تحت قيود الحوسبة. في هذا السياق، نقدم إطار عمل مبتكر لتوقعات السلاسل الزمنية المستمرة، مصمم لتوسيع النماذج الثابتة الحالية المستخدمة في الأدبيات من خلال دمج استراتيجية إعادة تجربة مدعومة بآليات الانتباه.

تتيح هذه الطريقة للنموذج التكيف الديناميكي مع السياقات الجديدة مع الحفاظ على المعرفة السابقة، مما يقلل بشكل فعال من المشكلة المعروفة بنسيان الكارثي (Catastrophic Forgetting). تم تقييم هذا الإطار على معايير توقعات قياسية وكذلك على مجموعة بيانات بيزومترية تُظهر سلوكيات زمنية متنوعة.

أظهرت النتائج أن نهجنا يزيد أو يحافظ على الأداء التنبؤي مع مرور الوقت، ويقلل من تكاليف إعادة التدريب ومتطلبات البيانات، مما يسهل نشر نماذج التوقعات في بيئات ديناميكية وعالمية.