في عالم الذكاء الاصطناعي المتسارع، تُعتبر عملية تدريب النماذج من العناصر الأساسية لتحقيق نتائج دقيقة وفعّالة. من خلال ابتكار جديد يسمى extbf{CoLoRA} (تكييف الصفات المنخفضة للشبكات الالتفافية)، تم تقديم طريقة تدريب فعالة ومبتكرة للشبكات العصبية الالتفافية (CNNs) والتي تعزز من كفاءة الاستخدام الزمني والمادي لها.

اعتمدت CoLoRA على مفهوم تقسيم تحديثات النواة إلى مكونات خفيفة الوزن، تشمل مكونات عمودية ونقاط، مما أدى إلى تقليل عدد المعلمات القابلة للتدريب بأكثر من 80% مقارنةً بأسلوب التدريب التقليدي. بذلك، تحافظ CoLoRA على حجم النموذج الأصلي وتعقيد الاستدلال، مما يسهل تطبيقها في سيناريوهات حقيقية متعددة.

أظهرت التجارب المنفذة على مجموعة بيانات MedMNIST، وبالأخص OCTMNISTv2، أن CoLoRA عندما تم تطبيقها على نماذج مثل VGG16 وResNet50، حققت أداءً تنافسياً في تصنيف الصور، في حين تم تقليل عدد المعلمات القابلة للتدريب. كما أجرت الدراسة مقارنات مع أساليب التعلم بالنقل، والمهايئات، وBitFit، مما يعكس توازن الأداء التنبؤي مع عدد المعلمات وتكاليف التدريب.

وعلى الرغم من أن الكفاءة في المعلمات لا تترجم بالضرورة إلى توفير متناسب في ذاكرة التدريب، فإن قياسات الذاكرة القصوى لـ GPU تُظهر تأثراً قوياً مع مكان توزيع الطبقات التكيفية.

بشكل عام، تمثل CoLoRA بديلاً فعالاً وجاهزاً للتطبيق للتدريب الكامل لنماذج الشبكات العصبية الالتفافية، مما يمهد الطريق لابتكارات مستقبلية في هذا المجال.