في عالم النماذج الذكية، تعتبر نماذج الرؤية المدعومة بالشبكات العصبية (Neural Networks) من الأدوات الأكثر قوة وكفاءة. إلا أن هذه النماذج تواجه تحديات كبيرة تتعلق بإمكانية اكتشاف واستغلال الأنماط غير المتوقعة ضمن البيانات، وهو ما قد يؤدي إلى تقديم توقعات صحيحة بناءً على إشارات غير صحيحة أو غير مقصودة. يُعرف هذا الظاهرة بالارتباطات الزائفة (Spurious Correlations)، حيث تظهر أنماط مرتبطة بالمهمة ولكنها في الواقع مجرد مصادفات.

تشير الأبحاث الجديدة إلى أهمية الكشف عن هذه الارتباطات الزائفة ومعالجتها لبناء نماذج تعلم آلي (Machine Learning) موثوقة وقابلة للتعميم. حيث تم تقديم اقتراح جديد يعتمد على استخدام الرموز (Tokens) كأداة تشخيصية، تضيف آلية إزالة الرموز من النموذج لتحديد الارتباطات الزائفة في نماذج الرؤية المحورية (Vision Transformers).

يستخدم الأسلوب المقترح مقاييس تتضمن كل من التأثيرات الكلية والمحلية على مستوى الرموز، مما يسمح بتقييم اعتماد النموذج على الإشارات المرئية الثانوية. وقد أجريت تجارب واسعة النطاق على مجموعة بيانات ImageNet، حيث أثبتت هذه الطريقة قدرتها على تحديد الارتباطات الزائفة.

أيضًا، وجد الباحثون أن طريقة التدريب لها تأثير كبير على اعتماد النموذج على الارتباطات الزائفة، حتى في وجود نفس الهيكل. ولعدة فئات ضمن مجموعة بيانات ImageNet، أظهرت العديد من الصور اعتمادًا قويًا على إشارات غير مركزية عبر نماذج متعددة، وتناول الباحثون أيضًا المصادر الشائعة لتلك الإشارات، مثل العلامات المائية وآثار الخلفية.

في الختام، توفر هذه الدراسة خطوة جديدة نحو تعزيز الثقة في نماذج التعلم العميق، مما يمهد الطريق لفهم أعمق وتطبيقات أكثر موثوقية في المجالات الحساسة، مثل تصنيف الكتل الغازية breast mass classification. ما هي أفكاركم حول أهمية هذا البحث؟ شاركونا في التعليقات!