تعلم من خلال التفسير: تعزيز التعلم من خلال إقصاء الارتباطات المربكة!

في عالم الذكاء الاصطناعي، تظل مسألة معالجة التغيرات في التوزيعات (Distribution Shifts) واحدة من التحديات الكبرى. مع وجود العديد من الخوارزميات التي تهدف إلى الحد من تأثير هذه التغيرات، لا يزال الأداء غير متسق، وغالبًا ما تفشل في تخطي أداء خوارزمية تقليل المخاطر التجريبية (Empirical Risk Minimization - ERM). ولكن ماذا لو كان هناك حل جديد؟

نقدم لكم تقنية eXplaining to Learn (eX2L)، وهي إطار قابل للفهم يركز على التفسير أثناء تدريب النماذج. يقوم eX2L بإبعاد الخصائص المربكة (Confounding Features) عن تمثيلات النموذج، مما يعزز قدرة النموذج على تعميم البيانات الجديدة.

تعمل eX2L من خلال فرض عقوبات على التشابه بين خرائط تنشيط Grad-CAM المولدة بواسطة مصنف أساسي ومصنف آخر يتم تدريبه بشكل متزامن لمواجهة الارتباطات الخادعة. لقد أثبتت هذه الطريقة فعاليتها في benchmark Spawrious Many-to-Many Hard Challenge، حيث حققت eX2L دقة تصل إلى 82.24% مع انحراف ±3.87%، وتفوقت بشكل ملحوظ على أعلى أداء حالي (SOTA) بفارق 5.49% و10.90%.

هذه النتائج لا تعكس كفاءة eX2L فحسب، بل تُظهر أيضًا إمكانية تحقيق عدم الاعتماد الوظيفي (Functional Domain Invariance) عن طريق فصل سمات التصنيف عن السمات المربكة على المستوى الجماعي. فهل ستغير eX2L معايير الذكاء الاصطناعي في المستقبل؟

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!