في عالم الذكاء الاصطناعي، يأتي [تعلم السياق](/tag/[تعلم](/tag/تعلم)-[السياق](/tag/السياق)) (In-Context Learning) كأحد أبرز التقنيات التي حققت نجاحاً كبيراً في [مجالات اللغة](/tag/مجالات-[اللغة](/tag/اللغة)) الطبيعية والرؤية الحاسوبية. ورغم ذلك، فإن [فهم](/tag/فهم) هذه [التقنية](/tag/التقنية) بشكل نظري، وبالأخص في سياق [البيانات](/tag/البيانات) الهندسية المنظمة، لا يزال موضوعاً غير مستكشف.

تتناول الورقة البحثية الجديدة دراسةً [نظرية](/tag/نظرية) لتعلم [السياق](/tag/السياق) فيما يخص [تحليل](/tag/تحليل) دوال هولدر (Holder Functions) على الفضاءات الهيكلية، لتقدم اتصالاً جديداً بين آلية [الانتباه](/tag/الانتباه) وآليات [طرق النواة](/tag/طرق-[النواة](/tag/النواة)) (Kernel Methods) الكلاسيكية. من خلال هذه الدراسة، تم إثبات أن [نماذج](/tag/نماذج) [التحويلات](/tag/التحويلات) ([Transformers](/tag/transformers)) تقوم بعمليات [تنبؤ](/tag/تنبؤ) تعتمد على [طرق النواة](/tag/طرق-[النواة](/tag/النواة)) بطريقة فعالة عند التعامل مع استفسارات جديدة تتضمن تفاعلها مع المتطلبات (Prompt).

وقد تم [التحقق](/tag/التحقق) من هذا الرابط من خلال [تجارب](/tag/تجارب) عددية، أثبتت أن درجات استفسارات المتطلبات لدوال هولدر ترتبط بشكل كبير مع نواة غاوسي (Gaussian Kernel). بناءً على هذه الرؤية، تم [استنتاج](/tag/استنتاج) حدود [خطأ](/tag/خطأ) [التعميم](/tag/التعميم) والتي تتعلق بطول المتطلبات وعدد مهام [التدريب](/tag/التدريب).

عند توفر [عدد](/tag/عدد) كافٍ من مهام التدريب، تظهر [نماذج](/tag/نماذج) [التحويلات](/tag/التحويلات) معدل [الانحدار](/tag/الانحدار) الأدنى لدوال هولدر على الفضاءات الهيكلية، والذي يتصاعد بشكل أسي مع طول المتطلبات، معتمدًا على البعد الداخلي للفضاء بدلاً من بُعد [الفضاء](/tag/الفضاء) المحيط.

توضح نتائج هذه [الدراسة](/tag/الدراسة) كيفية تأثير تعقيد [نماذج](/tag/نماذج) [التحويلات](/tag/التحويلات) كمتعلمي [خوارزميات](/tag/خوارزميات) [النواة](/tag/النواة) في سياق [البيانات](/tag/البيانات) الهندسية، مما يأخذنا إلى [فهم](/tag/فهم) أعمق لدور [الهندسة](/tag/الهندسة) في [تعلم](/tag/تعلم) السياق، ويضفي [أدوات جديدة](/tag/[أدوات](/tag/أدوات)-جديدة) لدراسة [تعلم السياق](/tag/[تعلم](/tag/تعلم)-[السياق](/tag/السياق)) للنماذج غير الخطية.