في دراسة حديثة تم نشرها على موقع arXiv، قام باحثون بتقديم نظرية جديدة حول الانحناء في الدوائر الاحتمالية (Probabilistic Circuits). تعتبر هذه الدوائر نماذج جينية تسمح بعملية استنتاج دقيقة، وبخلاف الشبكات العصبية العميقة، توفر measure دقيقة وقابلة للحساب حول انحناء السطح المفقود من خلال تحليل هيسيان (Hessian) الاحتمالية.

يمثل البحث خطوة هامة في سبيل تكييف أساليب التعلم العميق، حيث تهدف إلى تقليل انحراف النماذج من خلال تطبيق نظام تعليمي أكثر استدامة ودقة. أظهرت التجارب أن التركيز على القابلية للإصابة (sharpness) كلاعب أساسي في تحسين الأداء يمكن أن يكون خاطئًا بالنسبة للدوائر الاحتمالية، حيث أن انحناءها يتسم بالطابع التراكمي.

كما أثبت الباحثون أن مساهمة كل عقدة في تحليل هيسيان تُعبر بشكل دقيق عن تدفق الدائرة، الذي يقيس مدى استخدام العقدة، بالإضافة إلى معامل موضعي يتحدد بناءً على توزيع إخراج العقدة. يوفر هذا التحليل فهمًا عميقًا لسبب التأثيرات السلبية العميقة على الدقة العالمية في حالة تطبيق تنظيم شدة عام.

تقديم تنظيم شدة حساس تمكّن فريق البحث من تقديم تحسينات في التعلم العميق تضمن الحفاظ على النموذج دون فقدان دقة الأداء، بينما تشير النتائج التجريبية إلى أن التنظيم المستهدف يعيد القدرة على التعميم التي يفقدها التنظيم العام.