في السنوات الأخيرة، أثيرت أسئلة حول كفاءة تقنيات التعلم الجديدة، وخاصة نموذج التعلم الموضعية (Forward-Forward Learning) الذي اقترحه هينتون في عام 2022. يعتمد هذا النموذج على تحسينات محلية في الطبقات بدلاً من الانتشار العكسي التقليدي. في محاولة لفهم كيف يمكن أن تكون هذه التقنيات بديلاً واقعياً، تم تطوير نموذج DTG-FF، والذي يركز على تحسينات متعددة الطبقات وتعديلات خاصة بالحرارة لإثبات تفوقه على تقنيات الانتشار العكسي في تسعة مؤشرات بيانات حقيقية.

النتائج كانت مثيرة للاهتمام: ففي تجارب تمت على مجموعة بيانات CIFAR-10، أدت الأساليب التقليدية إلى نتائج أفضل بفارق مقداره 2.40 نقطة مئوية مقارنة بأساليب التدريب الموضعية. ومع زيادة التعقيد في بيانات الصور، لوحظ أن نموذج DTG-FF يتراجع بشكل ملحوظ عن نظرائه، إذ بلغ الأداء 49.4% في حالة بيانات 224x224، بينما بلغ الأداء القياسي لأشكال BP أكثر من 75%.

كما كشفت النتائج أن التقنيات الموضعية تتفوق على الانتشار العكسي في بعض المهام الاصطناعية، ولكن في حالة البيانات الواقعية، عادت الفجوة في الأداء لصالح BP مع زيادة عدد الفئات. نتائج الدراسة تشير إلى أن التعلم الموضعية قد تفرط في تقدير قدرتها على التعلم الفعال عندما يتعلق الأمر بتوزيعات الصور المعقدة.

علاوة على ذلك، تم تدقيق النظام المستخدم في هذه التجارب، وتبين أن أساليب FF تعمل بكفاءة منخفضة نسبياً من حيث استهلاك الذاكرة، مما لا يدعم الجدوى المحددة لتقنيات FF في البيئات العملية. في النهاية، تظهر هذه الدراسة أن هناك حدوداً حقيقية لتقنيات التدريب الموضعية، مما يثير تساؤلات حول مستقبلها.

ما رأيكم في ما تم اكتشافه؟ هل تعتقدون أن التقنيات الموضعية ستكون الخيار الأمثل في المستقبل؟ شاركونا آراءكم!