تعد الشبكات العصبية المدخلية المتقوسة (ICNNs) إحدى التطورات الرائدة في الذكاء الاصطناعي، حيث تُستخدم لتعلم الأهداف التقونية التي تحدد قرارات فعالة. إن تحسين عملية الاستنتاج يعد أمرًا في غاية الأهمية لتحقيق نتائج موثوقة وفعالة. في حالات المدخلات غير السلسة، يعود استخدام التفاضل الآلي بمشتق واحد بدلاً من كامل التفاضل الثانوي الذي يحكم الأمثلية والانحدار.وفي هذا السياق، نجد أن الشبكات العصبية المدخلية المتقوسة ذات المخروط الثانوي (SOC-ICNNs) توفر تمثيلًا دقيقًا كدوال لقيم برامج المخروط الثانوي المعلمية، مما يؤدي إلى استخدام طريقة "الصندوق الأبيض" لاستعادة كامل تفاضلاتها الثانوية من مضاعفات ثنائية مثلى واستنباط هيسيات محددة في المناطق السلسة.

ومن خلال هذا التمثيل، تم تطوير "الاستنتاج المعتمد على التحقق المزدوج" (DCI) الذي يجمع بين هندسات الشبكة ومجموعات البيانات القابلة للتطبيق للحصول على شهادات دقة دقيقة واتجاهات انخفاض شائعة. حيث يستخدم DCI انحناء محلي لتسريع نيوتن ويتضمن حماية دقيقة.

لقد أثبتنا تقاربًا عالميًا، وتحت شروط الانتظام القياسية، تقاربًا تربيعيًا محليًا قريبًا من الحد الأدنى الداخلي غير المنحني هيكليًا. كما تؤكد التجارب العددية على استعادة الهندسة وتظهر موثوقية وكفاءة DCI. يمكنكم الاطلاع على الكود المستخدم في البحث عبر الرابط: https://anonymous.4open.science/r/DCI-ICNN-507D/