في عالم الذكاء الاصطناعي، يستمر الباحثون في البحث عن طرق فعالة لتعزيز أداء الشبكات العصبية العميقة (Deep Neural Networks). تعتبر تقنية Hamiltonian Monte Carlo (HMC) من الأساليب المثلى في تقدير عدم اليقين، ولكن تواجه تحديات في تطبيقها على المعطيات الكبيرة والمعمارية الموسعة. ومع ذلك، تأتي تقنية LL-HMC (Last Layer Hamiltonian Monte Carlo) كحل مبتكر.

تقوم LL-HMC بتقليل المتطلبات الحسابية من خلال تقيد عملية العينة إلى الطبقة النهائية فقط في الشبكات العصبية، مما يجعلها أكثر ملاءمة للتطبيقات في سيناريوهات كثافة البيانات مع موارد حسابية محدودة.

في هذه الدراسة، تمت مقاربة LL-HMC مع خمس طرق أخرى لنمذجة الاحتمالات في الطبقة النهائية عبر ثلاثة مجموعات بيانات فيديو حقيقية تتعلق بسلوك السائقين. تم تقييم الأداء التصنيفي داخل الدليل وأداء الكشف عن التوزيعات الخارجية (Out-of-Distribution - OOD). ولتفادي الاعتماد على إعدادات عشوائية واحدة، تم إجراء خمس عمليات بحث شبكي مختلفة.

أظهرت النتائج أن LL-HMC تحقق أداءً تنافسياً في التصنيف والكشف عن البيانات الخارجية، كما أثبتت العوامل الإضافية لعينة الطبقة النهائية عدم قدرتها على تحسين الأداء التصنيفي لكنها ساعدت في تحسين الكشف عن البيانات الخارجية. كما أن استخدام سلاسل متعددة أو نقاط انطلاق لم يسفر عن تحسينات ملحوظة.

يمكن أن تساهم هذه النتائج في إحداث نقلة نوعية في كيفية استخدام النماذج الاحتمالية في المستقبل، مما يجذب انتباه المهتمين في مجال الذكاء الاصطناعي وتطبيقاته.