تُعتبر عملية التعلم المستمر (Continual Learning) أحد أبرز التحديات التي تواجه الشبكات العميقة في العصر الحديث، ويعود ذلك جزئيًا إلى عدم وجود آليات فطرية لدى المُحسنات الشائعة تتيح القابلية للتكيف المستمر.

وقد تم تصميم آلية التكيف السريع والبطيء ليس فقط لتوفير التوازن بين الاستقرار والمرونة، ولكنها مستمدة أيضًا من علم الأعصاب وعلوم البيولوجيا، ومع ذلك لا يوجد اتفاق شامل حول كيفية دمج هذه الآلية بشكل أفضل في المُحسنات المعروفة.

في هذا السياق، قدم الباحثون الإطار الجديد المعروف باسم VCL، الذي يُسهل استخدام الاحتمالات السابقة كأولويات في المستقبل، مما يعزز التعلم بشكل أكثر انسيابية. الفكرة الرئيسية تكمن في دمج الاحتمالات السابقة لإبطاء الانحراف في المعرفة مع تقدم التعلم.

ويتم استخدام الاحتمال المدمج كأولوية في تحديث VCL لتطبيق تحديثات سريعة للأوزان. يمكن تنفيذ هذه الخطوات بسلاسة في مُحسن IVON، والذي يتميز بشكله وتكاليفه المتشابهة تقريبًا مع مُحسن Adam الشهير.

أطلق على هذا المُحسن الجديد اسم CoVON، وقد أظهر أداءً يتفوق بانتظام على المُحسنات الحالية المستخدمة في VCL، بالإضافة إلى أدائه المتميز مقارنة باستراتيجيات تنظيم الأوزان الأخرى في سياقات متعددة مثل التعلم المتدرج (domain-incremental learning) والتدريب المستمر (continual pre-training) وتعديل نماذج اللغات الكبيرة (large language models).

إن الابتكار في مجال التعلم المستمر يمثل خطوة هامة نحو تحسين أداء الذكاء الاصطناعي، كما يُعزز من إمكانية استخدام هذه التقنية بشكل اوسع في التطبيقات المستقبلية.