في عالم الذكاء الاصطناعي، تتجلى أهمية نماذج الرؤية-اللغة (Vision-language Models) في قدرتها على الدمج بين التمثيلات البصرية والنصوص، مما يتيح إنشاء تطبيقات متعددة المجالات. لكن، مع تزايد حجم البيانات المستخدمة لتدريب هذه النماذج، تبرز العديد من القضايا المتعلقة بالخصوصية وحقوق النشر والمحتويات غير المرغوب فيها، مما يجعل الحاجة إلى مفهوم "نسيان البيانات" أمرًا ملحًا.

بينما تركز الدراسات الحالية بشكل رئيسي على تقنيات النسيان الفوري (Single-shot Unlearning)، تظهر الأمور بشكل معقد في التطبيقات العملية التي تحتاج إلى طلبات حذف متتابعة على مر الزمن، مما يستدعي مفهوم "النسيان المستمر" (Continual Machine Unlearning). دولي جديدة، قام الباحثون بأول محاولة لدراسة كيفية تحقيق ذلك لنماذج الرؤية-اللغة.

من خلال هذا البحث، تم تحديد ثلاث تحديات رئيسية: 1) الفعالية في إزالة المعرفة المستهدفة، 2) الحفاظ على كفاءة النموذج، 3) منع إعادة ظهور المعرفة المحذوفة خلال التحديثات المتتالية.

لمواجهة هذه التحديات، تم اقتراح طريقة CATA، والتي تعتمد على "حساب المهام المناهضة للصراع". تعمل هذه الطريقة على تمثيل كل طلب نسيان كمتجه مهمة غير قابلة للنسيان، مع الحفاظ على المتجهات التاريخية للمهام وتنفيذ تجميع واعٍ للصراع. بفضل هذا الأسلوب الذكي، تمنع CATA العناصر المتضاربة التي قد تؤثر سلبًا على تأثيرات النسيان السابقة.

أظهرت التجارب المكثفة، على مدار إعدادات النسيان الفردي والمستمر، أن CATA تتفوق على النماذج التقليدية فيما يتعلق بفعالية النسيان وكفاءة النموذج واستمرارية النسيان.

إن التقدم الذي تحققه CATA يعد خطوة هامة نحو تطوير نماذج ذكاء اصطناعي أكثر فعالية وأماناً، ويبقى السؤال: كيف يمكن أن تؤثر هذه التقنية على مستقبل النماذج الذكية؟ ندعوكم لمشاركة آرائكم في التعليقات!