في عالم الذكاء الاصطناعي، يعتبر تحديث تمثيلات الكيانات والعلاقات في الرسوم البيانية أمرًا بالغ الأهمية مع صحة النمو المستمر للبيانات. لكن، إذًا ماذا يحدث عندما تتغير الكيانات القديمة في ظل دخول كيانات جديدة؟ هذه هي المفارقة التي أعالجها البحث الأخير على منصة arXiv.

يعاني النموذج التقليدي من مشكلة تُعرف بفقدان المعرفة الجسيم (catastrophic forgetting)، حيث يمكن أن تفقد الأجوبة التاريخية تصنيفها حتى وإن حافظت على درجاتها. لهذا السبب، تم تقديم تقنية جديدة تُعرف بـ Matched Excess-Outranker Regularization (MEOR)، والتي تركز على تقليل ما يُعرف بتداخل مجموعة المرشحين (candidate-set interference).

تعمل هذه التقنية على إنشاء هدف يجري مقارنته بين الضغط الجديد ذو الصلة بالأجوبة وبين المراجع القديمة المتطابقة، مما يساعد في تقييم المنافسة من الكيانات الجديدة مقابل الكيانات القديمة الشائعة. وتعمل العقوبة من جانب واحد فقط عندما تتجاوز المنافسة الجديدة المراجع القديمة، مما يحافظ على إشارات الذكاء الاصطناعي نحو الكيانات الجديدة المشروعة.

وفقًا للنتائج، أظهرت MEOR تحسينًا في متوسط ترتيب الرسوم البيانية التاريخي بمقدار 0.0057 مقارنة بأساليب إعادة التحميل، وتقليل تداخل مجموعة المرشحين بمقدار 0.0055. كما أن النتائج تشير إلى أن إضافة MEOR حسّن ترتيب الأجوبة تاريخيًا عبر جميع الإعدادات المبلغ عنها، مما يظهر أن قبول الكيانات الجديدة يُعتبر مصدرًا متميزًا لفقدان ترتيب مستمر.

هل تعتقد أن هذه التقنية يمكن أن تحدث تغيرات جذرية في مجال الذكاء الاصطناعي؟ شارك برأيك في التعليقات!