استقرار متأصل: إطار عمل مدفوع بالفضول لتحقيق الدقة في الشبكات العصبية العميقة

في عالم الذكاء الاصطناعي، يصبح نشر الشبكات العصبية العميقة (Deep Neural Networks) على الأجهزة ذات الموارد المحدودة تحديًا محوريًا يتطلب إعادة تفكير شاملة. حيث يتعين على الباحثين مواجهة تحديين رئيسيين: الحفاظ على دقة النموذج في ظل تقنيات التكميم العدوانية (Aggressive Quantization) وضمان زمن استدلال يمكن التنبؤ به.

لذا، جاء باحثون بموضوع مبتكر يحمل اسم 'إطار العمل المدفوع بالفضول لتحقيق دقة التكميم في نماذج خبراء متنوعين' (Curiosity-Driven Quantized Mixture-of-Experts). يسعى هذا النظام إلى حل التحديات السابقة من خلال استخدام توجيه قائم على عدم اليقين الإبستيمي (Bayesian Epistemic Uncertainty) عبر خبراء متنوعين.

تم تقييم تأثير الإطار على مؤشرات تصنيف الصوت مثل (ESC-50) و(Quinn) و(UrbanSound8K). وقد أثبتت النتائج أن التكميم بعمق 4 بت يحافظ على 99.9% من دقة القياس الكامل، مع توفير طاقة بنسبة 31% بالمقارنة مع 8 بت، بينما يخفق كل من النموذجين في الوصول إلى دقة مقبولة بالنسبة للدقة الكاملة.

من المهم الإشارة إلى أن التوجيه المدفوع بالفضول يعزز بشكل متزامن كل من الدقة والاستقرار؛ حيث زادت دقة النتائج بمقياس Quinn من 0.802 إلى 0.809 بينما انخفض تباين النتائج عبر الأضعاف بنسبة 85%.

يمتاز هذا الإطار بمدى التعقيد عند 1.2 مليون معلمة، مما يوفر توجيهًا قادرًا على تفسير القرار ويسهل نشره على الأطراف حيث تعتبر كل من الدقة والتنبؤ عوامل حاسمة.

إجمالاً، يمثل هذا الإطار خطوة هامة نحو تحسين أداء الشبكات العصبية على الأجهزة ذات الموارد المحدودة ويعزز من فهمنا حول الطبيعة المتكاملة لعدم اليقين والإبداع في الذكاء الاصطناعي.