تعتبر الشبكات العصبية الملتفة (Convolutional Neural Networks - CNNs) أداة رئيسية في مجال الذكاء الاصطناعي، حيث تعتمد بصورة كبيرة على البيانات الكبيرة مثل مجموعة بيانات ImageNet لتدريب نماذج تصنيف دقيقة. ولكن في حالات ندرة البيانات، يتعين على الباحثين مواجهة تحديات كبيرة في تحسين أداء هذه النماذج.

مع استمرارية استخدام الشبكات المدربة مسبقاً، يواجه العلماء مشكلة في وجود فلاتر غير ذات جدوى قد تؤدي إلى تكرار غير ضروري وانخفاض الكفاءة. لمواجهة ذلك، تم اقتراح أساليب تعتمد على تقنيات مثل Layer-wise Relevance Propagation (LRP)، التي تقوم بتقييم مدى مساهمة كل فلتر في نتائج الاستدلال، مما يسهل تقليل عدد الفلاتر غير الضرورية.

لكن، للأسف، أدت هذه الأساليب المستخدمة باستخدام LRP إلى مشكلة تعرف بتدهور الدقة المتسلسلة (cascading accuracy degradation)، مما يسبب انخفاضاً كبيراً في أداء النماذج أثناء عملية التقليم. في دراسة جديدة، تم إدخال آلية مبتكرة، تُعرف باسم آلية التحكم في تقليم الوعي بالدقة، حيث تتحكم في عملية تقليم الفلاتر من خلال ضبط معدل وأولوية التقليم بشكل ديناميكي استناداً إلى متوسط الدقة للفئات (harmonic mean of class accuracy).

أثبتت الأبحاث أن هذه الطريقة الجديدة لا تسهم فقط في تقليل تدهور الدقة المتسلسلة، بل أيضاً تحقق دقة تصنيف أعلى مقارنة بالطرق التقليدية المعتمدة على LRP. فقد أظهرت النتائج تحسنًا تصل نسبته إلى 15% في متوسط مساحة تحت منحنى دقة التقليم (AUC) لنموذج VGG16 مقارنة بأساليب LRP التقليدية.

تعد هذه المكتشفات خطوة مهمة نحو تحسين أداء الشبكات العصبية في البيئات التي تعاني من نقص البيانات، مما يفتح الطريق لمزيد من الابتكارات في هذا المجال!