في عالم تعلم الآلة (Machine Learning)، قد نتواجه في كثير من الأحيان مع نماذج متعددة تحقق أداءً تنبؤياً متقارباً، لكنها تعتمد على منطق داخلي مختلف تماماً. تُعرف مجموعة هذه النماذج التي تتمتع بنفس مستوى الدقة باسم مجموعة راشومون (Rashomon Set).

تعتبر استكشاف هذه المجموعة تحدياً كبيراً خاصةً في المساحات الافتراضية الكبيرة والمعقدة، مثل نماذج عنق الزجاجة المفاهيمية (Concept Bottleneck Models) التي تلعب دوراً حيوياً في مجال الرؤية الحاسوبية، إذ تصنع توقعات من خلال مفاهيم بشرية سهلة الفهم.

تقدم هذه الورقة البحثية طريقة فعّالة لاستكشاف مجموعة راشومون الخاصة بنماذج عنق الزجاجة المفاهيمية. تتضمن هذه الطريقة إنشاء موصل خاص معتمد على التوازي، إلى جانب نظام رصد وتحقق، وهدف تنوع المفاهيم، مما يمكّن من توليد نماذج متعددة بنفس الدقة من خلال عملية تدريب واحدة.

تظهر النتائج التجريبية أن هذه الطريقة تعثر على نماذج أكثر تنوعًا من النماذج الأساسية مع استخدام موارد ذاكرة أقل بكثير. كما أن الوصول إلى هذه النماذج المتنوعة والمحددة بدقة يجعل عملية اختيار النموذج موثوقة، ويعزز من إمكانية التمحور بين الفئات المختلفة، ويساهم في اتخاذ قرارات موثوقة.

هذه الابتكارات تعكس نتائج واعدة في تحسين كيفية تعاملنا مع البيانات والنماذج، مما يمهد الطريق نحو تطوير أدوات أكثر كفاءة وقوة في المستقبل.