في عالم التعلم المستمر (Continual Learning)، أصبح استخدام نموذج مُدرب مسبقًا (Pre-Trained Model) كأداة لاستخراج الميزات ممارسة متداولة. وبفضل التصنيفات التحليلية، حققت هذه الطرق نتائج مذهلة في التعلم المستمر سعيًا لتحقيق هدف عدم النسيان. ومع ذلك، يُعتبر النسيان النشط للمعرفة الخاصة التي تم اكتسابها خلال مرحلة التعلم المستمر ضروريًا في معظم نماذج الخدمة، مثل الاستشعار الجماعي عبر المحمول (Mobile Crowd Sensing)، حيث تجمع العقد الطرفية بيانات حساسة وتحتاج إلى عدم النسيان إلى جانب نسيان خاص للحفاظ على الخصوصية.

تظهر هذه الحاجة مشكلة فريدة تُسمى النسيان المستمر (Continual Unlearning)، حيث تتوالى طلبات النسيان خلال التعلم المستمر. ولكن، تُركّز الأساليب الحالية على النسيان الفوري غير المتسلسل، الذي لا يلبي احتياجات النسيان المستمر، مما يؤدي إلى انتهاك خصوصية البيانات التاريخية وضعف الأداء في مواجهة الطلبات المتكررة.

لمواجهة تحديات النسيان المستمر، نقدم نهجًا خاليًا من التدرجات يُعرف باسم نسيان مستمر تحليلي (Analytic Continual Unlearning). يتميز هذا الأسلوب بكفاءته ودقته في النسيان مع الحفاظ على خصوصية البيانات التاريخية في عملية التعلم المستمر. يستجيب نظام الـ ACU لكل طلب نسيان من خلال اشتقاق الحلول التحليلية بطريقة مفهومة وباستخدام طريقة المربعات الأقل.

بفضل تصميمه المدروس، يعتبر نظام الـ ACU ملائمًا لكل من طلبات النسيان على مستوى العينة ومستوى الفئات. وقد أكدت التقييمات النظرية والتجريبية تفوق نظام الـ ACU في فعالية النسيان، وموثوقية النموذج، وكفاءة النظام. يبدو أن هذه التقنية تمثل خطوة كبيرة نحو تحسين أمان وفعالية نماذج التعلم المستمر.