في السنوات الأخيرة، ظهرت شبكة عصبية بيضاء تدعى ReduNet، والتي تعتمد على مبدأ تقليل معدل الترميز الأقصى (MCR^2) لتحويل البيانات الخام إلى ميزات منخفضة الأبعاد وقابلة للتفريق عبر عملية بناء طبقية متقدمة. ولكن، ما يميز ReduNet عن الشبكات العميقة التقليدية هو أنها تستمد صراحةً معلمات كل طبقة من ميزات الطبقة السابقة، مما يوفر نموذجًا رياضيًا يفهمه العقل البشري.

ومع ذلك، فإن هذه الطريقة القائمة على البناء الطبقي قد تستلزم عددًا كبيرًا من الطبقات لتصل أهداف MCR^2 إلى قيمة مستقرة، مما يزيد من متطلبات تخزين المعلمات للنموذج المنفصل. لمواجهة هذه التحديات، تم تقديم نموذج LA-ReduNet، وهو هيكل خفيف مرن يعيد صياغة قاعدة تحديث الطبقات، مما يمكّن الحصول على تمثيلات ميزات قابلة للتفريق باستخدام عدد أقل بكثير من الطبقات المنفصلة.

توظف LA-ReduNet تقنيات التعلم على المنافذ الهيبيركروية (Hyperspherical Manifold Learning) وأحجام خطوات مرنة، مما يقلل بمقدار يُعتبر بمنزلة ثورة في عدد الطبقات اللازمة لتحقيق الهدف من MCR^2. أظهرت النتائج التجريبية أن LA-ReduNet لا يحقق فقط دقة تصنيف مماثلة، لكنه يتطلب عددًا أقل بكثير من الطبقات لتحقيق الاستقرار في الهدف من MCR^2. بشكل ملحوظ، تحت الإعدادات التجريبية الموضوعة، يحتاج LA-ReduNet إلى ما يقرب من 1/29 من تخزين المعلمات مقارنةً بالنموذج المنفصل ReduNet للوصول إلى قيمة مستقرة لأهداف MCR^2.

ما رأيكم في هذا التطور المذهل في الهندسة المعمارية للشبكات العصبية؟ شاركونا آراءكم في التعليقات!