في غمرة التطورات التقنية في مجال الذكاء الاصطناعي، تتابع الشبكات العصبية استدامتها وتحسينها من خلال فقدان الميزات غير الضرورية. في هذا الإطار، تم تقديم إطار عمل جديد لإزالة المميزات الزائدة في الشبكات العصبية الالتفافية، مما يساعد على تقليل تكاليف التخزين والحوسبة. وعبر استخدام أسلوب الحظ المتعدد (Multi-Armed Bandits)، يتم تقييم كل خريطة ميزة على حدة، حيث يعتبر كل خريطة كذراع (arm) يُجرب من خلالها.

بشكل منهجي، يتم إخفاء خريطة ميزة بشكل مؤقت وتقييمها على مجموعة صغيرة عشوائية، ثم تعود لتقييم ما إذا كانت هناك تغيير في الخسارة. بعد مجموعة من التجارب، يتم تصنيف الخرائط بالاعتماد على النتائج المتعلمة، ويتم إزالة أعلى k خرائط. هذا الإبداع يقيم معايير مثل UCB1 وThompson Sampling، ويقارنها بتقييمات مباشرة على مجموعات بيانات مثل LeNet وMNIST.

تشير نتائج الدراسة إلى أن الأساليب المستخدمة لا تؤثر بالسلب على دقة النموذج مقارنة بالنماذج غير المُزالة، بل تساعد في حفظ الدقة مع تقليل العمليات الحسابية المعقدة. فعند استخدام اختبارات فريدمان ونيمنيا، تظهر أن UCB1 حقق أعلى تصنيف متوسط متفوقاً على Thompson Sampling، مما يبرز فعالية هذه التقنيات الحديثة في تضييق نطاق العوائق الزائدة.