في عصر الذكاء الاصطناعي، تعتبر عملية تحديد الميزات (Feature Attribution) أمراً جوهرياً لفهم وتوثيق الشبكات العصبية العميقة. في هذا السياق، يُعتبر أسلوب التدرجات المتكاملة (Integrated Gradients - IG) من الطرق الشائعة، إلا أنه قد يصبح غير موثوق في بعض الحالات. فعندما يسلك مسار الدمج بين نقطة مرجعية (Baseline) ومدخلات معينة مسارات تحمل تدرجات ضبابية، يمكن أن تؤدي التفسيرات الناتجة إلى نتائج مضللة.

للتصدي لهذه التحديات، تم اقتراح أسلوب جديد يدعى Manifold-Aligned Guided Integrated Gradients (MA-GIG). يعتمد هذا الأسلوب على استخدام مساحات خفية (Latent Spaces) من خلال مغير تلقائي تبايني مدرب مسبقًا، مما يسمح بتوجيه المسارات نحو الفضاءات التوليدية المألوفة بعيدًا عن المناطق الضبابية المتطرفة.

من خلال تقييمات نوعية وكمية، أظهرت الدراسات أن MA-GIG ينتج تفسيرات صادقة من خلال تجميع التدرجات على ميزات المسار القريبة من المدخلات. وبذلك، ينجح هذا الأسلوب في تقليل الضوضاء التي تأتي من مناطق غير مألوفة، متفوقاً على الأساليب السابقة في تحليلات الميزات عبر عدة مجموعات بيانات ومصنفات.

إذا كنت تريد الغوص أعمق في تفاصيل هذا البحث الثوري، يمكنك زيارة الرابط الخاص بالرمز المصدري: https://github.com/leekwoon/ma-gig/