في عالم الذكاء الاصطناعي، يعد تقدير الأحداث النادرة من القضايا التحديّة التي تؤثر على دقة نماذج اللغات الكبيرة (Large Language Models)، خاصة عند مواجهة انزلاقات في التوزيع أو عند القيام بنشر واسع النطاق. أثبتت الأبحاث أن تقدير هذه الأحداث يتطلب حساب احتمالات صغيرة جداً، وهو أمر يصعب تحقيقه باستخدام العينات العشوائية التقليدية.

تحت عنوان "تقدير الأحداث النادرة في نماذج اللغات مع تقييم مناسب"، تم تقديم تقنية جديدة تعرف باسم **Gradient Activation Adaptive Multi-Level Splitting (GA-AMLS)**. تساعد هذه التقنية في التعامل مع مشكلات مثل انهيار التقديرات الصفريّة والتحيز المنهجي لأدوات التقدير التقليدية، والتي غالباً ما تكون غير مستقرة وغير متوافقة مع تكاليف السلامة غير المتناظرة.

تستخدم GA-AMLS أسلوب متميز يعتمد على النماذج العشوائية المتجانسة (MCMC) لتوجيه عملية البحث في مساحات التنشيط الخاصة بالنماذج اللغوية. وبدلاً من الاعتماد على افتراضات الاستقلالية التي يعتمد عليها معظم أدوات التقدير التقليدية، تعتمد GA-AMLS على عينات شرطية تحت توزيع تنشيط ذو ذيول أثقل.

علاوة على ذلك، تم اقتراح **Shifted-Power Bregman (SPB) Loss**، وهو قاعدة تقييم مناسبة تظل نهائية بالنسبة للتقديرات الصفريّة، مما يوفر تحكماً في عدم التماثل بين العقوبات في التقدير المنخفض والعالي. تُظهر التجارب التي أُجريت على نماذج الـ Transformer الصغيرة أن GA-AMLS لا تحقق فقط أدنى خسارة تحت التقييم المتناظر، بل تعمل أيضاً على تقليل متوسط خطأ اللوغاريتم التربيعي بالنسبة لأقوى الأسس عبر أحجام النماذج، مما يؤكد ضرورة توافق اختيار أدوات التقدير مع سياق النشر.

بهذه الطريقة، لا يساهم هذا العمل فقط في معالجة مشكلات تقدير الأحداث النادرة، بل يُعيد أيضًا تعريف الطريقة التي يمكن بها استكشاف مساحات التنشيط كمنطقة قابلة للبحث على نطاق واسع في نماذج اللغات. هذا الإنجاز يوفر حلاً فعالاً للمشكلات التقليدية المرتبطة بالبحث في مساحات المدخلات المنفصلة.