في ظل تزايد حجم البيانات العصبية، أصبح استخدام الأساليب البايزية (Bayesian methods) في نمذجة المتغيرات الكامنة الديناميكية دورًا هامًا. إن هذه الأساليب تتيح للباحثين القدرة على التعامل مع عدم اليقين بشكل فعال، ولكن البيانات الضخمة تجعل الشبكات العميقة المبالغ فيها الخيار الأكثر تفضيلًا نظرًا لقوتها التنبؤية وسهولة تحويلها.

ومع وجود العديد من تقديرات السلوك اللاحق، فإنها جميعًا تتطلب بعض الأخطاء التقديرية. ولقد أُنشئ عمل حديث يأخذ في اعتباره هذا الخطأ من خلال مفهوم عدم اليقين الحسابي، لكنه جاء على حساب زيادة التعقيد. في هذه الدراسة، قمنا بتوسيع هذا العمل ليشمل اختيار النماذج، حيث تم تقديم خسارة تدريب جديدة وخطة تحسين، مما يؤدي إلى استنتاج قابل للتطبيق في فضاءات الحالة الكبيرة.

نقدم إطار عمل جديد يُعرف بنموذج الفضاء الساكن المستند إلى الحساب (CASSM)، والذي تم تصميمه تحديداً للتعامل مع الحالات غير المتوازنة من حيث الحجم، حيث يتفوق عدد النماذج العصبية المسجلة على عدد التجارب التي تمت.

أظهرت نتائج تجاربنا أن طريقتنا تتنافس بقوة مع الشبكات العميقة التي تتطلب بيانات كبيرة، مع تحسين كبير في ضبط عدم اليقين مقارنةً بمحاولات سابقة لتوسيع الأساليب البايزية. توفر تجاربنا خريطة طريق للباحثين في علوم الأعصاب لاختيار النموذج الديناميكي المناسب بناءً على خصائص وقيود البيانات المتاحة لهم.