ثورة في دقة النماذج: معالجة تحولات البيانات مع تقنيات تصحيح التدرج الواعي بالتكرار

في ظل التقدم السريع الذي يشهده مجال الذكاء الاصطناعي، تصبح مشكلة تغيير توزيع البيانات تحديًا كبيرًا يواجه العديد من النماذج العميقة. بينما تتزايد تطبيقات الذكاء الاصطناعي في مجالات حساسة مثل الرعاية الصحية والسيارات الذاتية القيادة، تصبح تقديرات الثقة غير موثوقة تحت نماذج التعلم العميق، مما يثير مخاوف جدية تتعلق بالسلامة.

تقنيات التصحيح الحالية تعتمد كثيرًا على تخصيص الوقت للتدريب أو التعديلات اللاحقة، لكنها غالبًا ما تتطلب الوصول إلى مجالات مستهدفة أو محاكي لها، مما يحد من سهولة تنفيذها. هنا تأتي مقترحاتنا في تقنية تصحيح التدرج الواعي بالتكرار (Frequency-aware Gradient Rectification - FGR)، التي تقدم إطارًا تدريبيًا غير مستهدف، يهدف إلى تحسين دقة التقديرات.

تركز تقنية FGR على رؤية تكرارية، حيث تطبق تصفية منخفضة التردد على مجموعة من الصور التدريبية لتقليل التفاعلات العالية التردد الغير موثوقة، مما يشجع تعلم الميزات المستقرة عبر المجالات. على الرغم من الفوائد، فإن فقدان المعلومات المرتبط يمكن أن يؤثر سلبًا على دقة النماذج في البيانات المستخدمة (In-Distribution - ID).

لحل هذه المشكلة، يعد FGR دقة ID بمثابة قيد صارم ويقوم بتصحيح التعديلات المتضاربة في المعلمات من خلال الإسقاط الهندسي. هذا يضمن عدم زيادة الهدف الخاص بدقة ID من الدرجة الأولى دون الحاجة إلى إدخال معامل توازن إضافي.

تظهر التجارب الواسعة على بيانات مصطنعة، وبيانات حقيقية، وبيانات تحولات دلالية أن FGR يحسن بشكل كبير دقة النماذج تحت تحولات متنوعة، مع الحفاظ على الأداء في البيانات المباشرة، كما أنه يتوافق مع طرق التصحيح اللاحقة.