في عالم الذكاء الاصطناعي، تعتبر ظاهرة "النسيان الكارثي" (Catastrophic Forgetting) مشكلة تثير الكثير من الاهتمام، حيث تفقد النماذج مع مرور الزمن القدرة على أداء المهام السابقة بعد تدريبها على مهام جديدة. لكن، ماذا لو كان هذا النسيان ليس مجرد حذف دائم للمعرفة، بل يمكن استعادته من خلال أساليب جديدة؟

تظهر الأبحاث الحديثة أن جزءًا كبيرًا من هذا النسيان يمكن أن ينجم عن تداخل في العمليات الداخلية للنموذج بدلاً من فقدان دائم للبيانات. حيث طور الباحثون بروتوكول تقييم مبتكر يجمع بين العمليات الأولية لشبكة تم تحديثها مؤخرًا والعمليات المتأخرة للنموذج السابق، مما يدعم استعادة الأداء السابق باستخدام "مفاتيح النقل" (Transport Keys).

هذه المفاتيح تعتبر أدوات قوية تعمل على محاذاة الواجهات بين العمليات المختلفة، ويمكن تقديرها من خلال مجموعة صغيرة من التنشيطات المتزاوجة. النتائج التي أُخذت من اختبارات على مجموعة بيانات (CIFAR-100) باستخدام شبكة ResNet تظهر أن مفاتيح النقل تستطيع استعادة معظم الأداء السابق للمهام بعد التدريب على مهام جديدة. بالإضافة إلى ذلك، أظهرت نتائج مشابهة على محولات الرؤية المدمجة.

هذه الاكتشافات توضح أن التعلم المستمر ليس فقط بحاجة إلى استراتيجيات لمنع تغييرات الوزن، بل تتطلب أيضًا تعزيز آليات أفضل لتخزين واسترجاع العمليات المخفية. هل لديكم أفكار حول كيفية تحسين هذه العملية؟ شاركونا ارائكم في التعليقات!