تشكل تقنيات نقل المعرفة (Knowledge Distillation - KD) أداةً قويةً في مجال الذكاء الاصطناعي، حيث تسمح لنموذج طلابي مدمج بالتعلم من نموذج معلم قوي. مؤخراً، أدى ظهور هياكل نماذج متنوعة إلى توسيع نطاق KD من الإعدادات المتماثلة إلى إعدادات غير متماثلة. ومع ذلك، فإن الاختلافات في الافتراضات المعمارية بين نموذج المعلم ونموذج الطالب غالباً ما تؤدي إلى عدم تطابق كبير، مما يحد من فعالية نقل المعرفة المباشر.

ابتكرت CoCaRS (Correlation Calibration-based Redundancy Suppression) كحل جديد للحفاظ على المعلومات الهيكلية المهمة أثناء تقليل الفائض. من خلال استخدام تقدير أدلة الالتباس (Confusion Evidence Estimation - CEE) والتحكم في تخصيص القوة (Strength Allocation Control - SAC)، يمكن لـ CoCaRS تقدير العلاقات الدلالية بدقة والحفاظ على الهيكل التمييزي أثناء عملية إلغاء الترابط.

علاوة على ذلك، يعمل تنظيم المعامل التكيفي (Adaptive Coefficient Regulation - ACR) على تقليل حساسية إعدادات المعامل من خلال تنظيم المساهمة في هدف تقليل الفائض بناءً على مقياس الخسارة النسبية. وقد تم إثبات فعالية CoCaRS من خلال تجارب واسعة النطاق على مجموعات بيانات مثل CIFAR-100 وImageNet-1K، حيث أظهرت التقنية قدرة متزايدة على تحسين أداء نقل المعرفة وتقليل الحساسية للإعدادات المختلفة.

ستتوفر الأكواد المرتبطة قريباً لتسهيل الاطلاع على هذه التقنية الرائدة.