في العصر الحديث حيث تتزايد خدمات الرؤية الكمبيوترية على الحواف بمعدلات زمنية منخفضة ومرتفعة لل throughput، أصبح تقليل تكلفة الاستدلال لنماذج الرؤية دون المساس بالموثوقية أمراً بالغ الأهمية. هنا يبرز نموذج LipCache كتقنية مبتكرة تعالج هذا التحدي.

نقدم لكم LipCache، وهو إطار عمل للتخزين المؤكد باستخدام semantic caching المُخصص لتصنيف الصور. يعتمد هذا النظام على نموذج رئيسي (MainNet) موجود بالفعل، وأضاف إليه شبكة خفيفة تُعرف بـ GuardNet. تقوم GuardNet بتحويل المدخلات إلى مساحة ميزات منخفضة الأبعاد، مما يسمح بتحقيق قرار تصنيف موثوق مع تقليل كبير في الوقت المستغرق.

ما يميز LipCache هو استخدامه للقانون اللقبلة (Lipschitz constraint) الذي يضمن التوافق ضمن مجال استرجاع محدد لكل عينة. وهذا يعني أن النتائج المخزنة تُعاد فقط عندما تقع الخصائص الاستعلامية ضمن حدود معينة، بينما يتم توجيه الاستعلامات الأخرى إلى النموذج الرئيسي لضمان النتائج الأصح.

لقد حققت LipCache تحسين سرعة يصل إلى 1.65 مرة في المهام التصنيفية القياسية مثل CIFAR وTiny-ImageNet وSVHN، مع الحفاظ على دقة مقبولة. بالإضافة إلى ذلك، تساهم صيغة تدريب محسنة لشبكة GuardNet في زيادة معدلات الاسترداد بشكل ملحوظ، مما يزيد من فعالية التجربة الكاملة.

تبرز هذه النتائج قدرة LipCache الكبيرة على تحسين الاستدلال بمساعدة التخزين المؤكد، مما يوفر حلاً قابلاً للتطبيق للتعامل مع تحديات التصنيف المتطورة، خصوصاً في بيئات الحافة.