في عالم الذكاء الاصطناعي، يمثل التعلم المستمر (Continual Learning) أحد الأعمدة الأساسية لتطوير الأنظمة القادرة على التكيف مع مستجدات البيانات. ولكن، يواجه هذا المجال تحديات كبيرة، خاصةً مع دخول مجالات جديدة تتطلب التعامل مع المعلومات بصورة فعّالة دون فقدان المعرفة السابقة. وهنا يأتي دور مفهوم "التعلم المتزايد في المجال" (Domain Incremental Learning - DIL).

يظهر بحثنا الجديد الذي يعتمد على تقنية "تكييف الصفوف منخفضة الرتبة" (Low-Rank Adaptation - LoRA) كيفية تحسين الأداء عن طريق دمج المعرفة بين المهام المختلفة. فعلى الرغم من أن الأساليب السابقة كانت تعتمد على إعداد LoRAs مخصصة لكل مهمة، إلا أنها كانت تعاني من عدم القدرة على توظيف المعرفة المشتركة بين المهام، مما أدى إلى تدهور كبير في دقة التصنيف.

تقنية CONEC-LoRA لا تقتصر على معالجة مشكلات التعلم المتزايد فحسب، بل تتجاوز ذلك بدمج LoRAs مشتركة بين المهام لاستخراج المعرفة المشتركة، إضافة إلى LoRAs الخاصّة بالمجالات لتوظيف المعرفة الخاصة. من خلال استخدام مصنفة عشوائية (Stochastic Classifier) عوضاً عن طرق التصنيف التقليدية، تعزز CONEC-LoRA من دقة التصنيفات، حيث يستند نموذج التصنيف إلى توزيع محكم.

كما تتضمن التقنية شبكة مساعدة تُستخدم لتوقع LoRAs الخاصة بالمهام بشكل مثالي أثناء عملية الاستنتاج، مدمجة في بنية شبكة ذات أعماق مختلفة حيث تتصل كل طبقة بمصنف محلي للاستفادة من التمثيلات المتوسطة. وعلاوة على ذلك، يتم دمج فقد الكرة وموديل التحول لمعالجة مشكلات تحيز العينات الاصطناعية.

تظهر نتائج التجارب الدقيقة التي أجريناها تفوق تقنية CONEC-LoRA على الأساليب السابقة في أربعة من أشهر مشكلات الاختبار، مما يسجل هامش تحسن يتجاوز 5% في دقة التصنيف. إذاً، هل هذه التقنية تمثل بداية عصر جديد في التعلم المستمر؟

شاركونا آرائكم في التعليقات!