إعادة تشكيل التعلم المستمر: إنجاز مذهل في التعرف على النشاط البشري!

تشهد نظم الاستشعار القابلة للارتداء ضمن أنظمة الإنترنت للأشياء (IoT) تطورات مذهلة، تؤهلها لدعم تطبيقات حيوية مثل مراقبة الصحة عن بُعد، ورعاية كبار السن، وأتمتة المنازل الذكية. لكن ما هو الدور الذي تلعبه أنظمة التعلم المستمر (Continual Learning) في هذا السياق؟

تواجه هذه الأنظمة تحديًا كبيرًا يتمثل في تحقيق التوازن بين التعلم الجديد (Plasticity) والاحتفاظ بالمعرفة السابقة (Stability). ومع ذلك، تعاني نماذج الذكاء الاصطناعي غالبًا من مشكلة النسيان الكارثي (Catastrophic Forgetting)، حيث يؤدي تعلم مهام جديدة إلى تدهور الأداء في المهام السابقة.

هذا التحدي يصبح أكثر حدة في سياق التعرف على الأنشطة البشرية (Human Activity Recognition)، حيث ينبغي على النماذج أن تتكيف مع أشخاص جدد ذوي أنماط حركة متميزة، بينما تحافظ في الوقت نفسه على دقتها مع المواضيع السابقة دون نقل بيانات حساسة إلى السحابة.

وفي خطوة مبتكرة، يقترح الباحثون إطار عمل فعال للتعلم المستمر يعتمد على تعديل مُغلق من خلال القنوات لاستغلال تمثيلات مُدربة مسبقًا. ويستند هذا الأسلوب إلى الفهم العميق أن التكيف يجب أن يعمل من خلال اختيار المميزات بدلاً من توليدها. من خلال تقليل التحويلات المكتسبة إلى مقاييس قطرية للمميزات الحالية، يتم الحفاظ على شكل تمثيلات تم تدريبها مسبقًا مع توفير تعديل خاص بالشخص.

تظهر التحليلات النظرية أن استخدام التعديل يُعتبر مؤثرًا ونطاقيًا، مما يقيد الانجراف التمثيلي مقارنة بالتحويلات الخطية غير المقيدة. وفي التجارب، أدت تجميد الهيكل العظمي (Backbone) إلى تقليل كبيرة في النسيان، بينما أعادت البوابات الخفيفة سعة التكيف المفقودة، مما أدى إلى تحقيق استقرار ومرونة في آن واحد.

على مجموعة بيانات PAMAP2 مع ثمانية مواضيع متتالية، يُظهر هذا الأسلوب تقليص النسيان من 39.7% إلى 16.2%، وتحسين الدقة النهائية من 56.7% إلى 77.7%، مع تدريب أقل من 2% من المتغيرات.

تثبت هذه الطريقة أن العمليات الهيكلية القطرية فعالة وكفؤة تحت تغير التوزيع، مما يجعلها مرشحًا قويًا للتطبيقات المستقبلية في التعرف على النشاط البشري وتحسين أساليب التعليم المستمر.