في عالم الذكاء الاصطناعي، يعد تعلم الفصول الجديدة (Class Incremental Learning) واحداً من أهم التحديات التي تواجه نماذج التعلم الآلي. فالقدرة على استيعاب معلومات جديدة دون فقدان ما تم تعلمه سابقاً تمثل معضلة حقيقية. في هذا السياق، انطلقت دراسة جديدة تتناول أسلوباً مبتكراً يعتمد على توسيع عرض الشبكات العصبية، حيث تقدم حلاً فعّالاً لمشكلات النسيان الكارثي في التعلم.

تتطلب آلية التعلم المدرسي التقليدية أن تكون النماذج قادرة على التعلم من فصول جديدة على مدار الزمن. ولكن هذه العملية تتسم بالتعقيد، خاصة مع عدم وجود معلومات حول الفصول السابقة. قد تؤدي الأساليب التقليدية، مثل التشويش (Regularization) واستخراج المعرفة (Knowledge Distillation)، إلى نتائج محدودة.

لكن الدراسة المقترحة تسلط الضوء على تقنية توسيع العرض الديناميكي، حيث تزيد من عدد الخلايا العصبية في الطبقات الحالية استنادًا إلى معيار خسارة مُعَير، دون الحاجة إلى معلومات إضافية حول المهام. ويستخدم هذا الأسلوب آلية انتباه مع ذاكرة خاصة لمساعدة النموذج على تثبيت تمثيلات الميزات وتقليل التداخل بين الفصول القديمة والجديدة.

تم اختبار الطريقة الجديدة على مجموعات بيانات شهيرة مثل Split MNIST وSplit CIFAR-100، حيث قورنت معمارية النموذج الثابتة مع المعمارية الديناميكية. أظهرت النتائج أن توسيع العرض التدريجي يُحسن الأداء بشكل ملحوظ، خاصةً عند دمجه مع طرق التعلم المستمرة القائمة مثل EWC وLwF وA-GEM.

الخلاصة، تُعد طريقة توسيع العرض الديناميكي بناءً على الطلب التمثيلي استراتيجية فعالة ومرنة لتعلم الفصول الجديدة. ومع ذلك، يجب الاحتياط من النمو غير المنضبط والذي قد يؤدي إلى زيادة التكلفة الحاسوبية.