يهدف مفهوم نسيان الآلات (machine unlearning) إلى إزالة تأثير بيانات تدريب محددة من نموذج مدرب دون الحاجة لإعادة التدريب بالكامل. في التطبيقات العملية، تتزايد طلبات الحذف مع مرور الوقت، مما يستدعي تطوير تقنيات جديدة مثل "التعلّم التدريجي لنسيان الفئات" (Incremental Class Unlearning - ICU). هنا يأتي دور تقنية ديسيرن (DISCERN) الجديدة، والتي تعد طريقة مبتكرة تهدف إلى تحسين عملية نسيان البيانات عبر التدخل المتزامن.

تستبدل ديسيرن الوصول إلى مجموعة الاحتفاظ بالمشغلين الاصطناعيين المأخوذين من التوزيعات البارامترية الخاصة بكل فئة، بدلاً من التقنيات التقليدية التي تعتمد على نماذج عادية مغلقة. تظهر نتائج الاختبارات أن ديسيرن تتفوق في الأداء، وخاصة عند إزالة الفئات بالكامل.

تمت المحاكاة باستخدام مجموعات بيانات شهيرة مثل MNIST وCIFAR-10 وCIFAR-100، وقد أظهرت النتائج أن ديسيرن تظل أكثر استقرارًا عند التعامل مع عمليات نسيان تدريجي، حيث حققت مثلاً حافظاً متوسطاً يعادل 0.797 بعد 20 حذف تسلسلي باستخدام نماذج التعلم العميق. كما أنها تلعب دوراً مهماً في تقليل ظهور الفئات المنسية سابقًا، مما يجعلها أداة قوية في عالم الذكاء الاصطناعي وتخزين البيانات.

تقنيتنا الجديدة ليست مجرد تكملة، بل هي انعطافة رئيسية نحو مستقبل أكثر أمانًا وموثوقية في تقنية التعلم الآلي. فما رأيكم في هذه التقنية الابتكارية؟ هل تعتقدون أنها ستحل تحديات النسيان في التعلم الآلي؟ شاركونا في التعليقات!