في عالم الذكاء الاصطناعي، تبرز مسألة التعلم الآلي للتراجع (Machine Unlearning) كأحد المفاهيم الحيوية لبناء نماذج لغوية يمكن الاعتماد عليها. هذا المفهوم الجديد لا يركز فقط على تحسين دقة النماذج، بل يهدف أيضاً إلى ضمان احترام الخصوصية والامتثال القانوني. ومع ذلك، تظهر تحديات كبيرة في عملية التراجع، إذ تختلف مستويات النجاح من عينة لأخرى؛ فبعضها يتم مسحها بشكل فعال، بينما يستمر وجود بيانات أخرى رغم تطبيق نفس الإجراءات.

باستخدام نظرة ميكانيكية تعتمد على دوائر النموذج، تمثل الأنماط التفاعلية المنظمة التي تحدد كيفية تشكيل التنبؤات، توصل الباحثون إلى مقياس جديد أطلقوا عليه اسم 'صعوبة التعلم الموجه بالدورة' (CUD).

هذا المقياس يخصص لكل عينة درجة صعوبة مستمرة باعتماد على إشارات الدوائر. من خلال تجارب موسعة، اتضح أن CUD ينجح في فصل العينات السهلة عن الصعبة بطريقة موثوقة. تظهر الأنماط الرئيسية على مستوى الدوائر أن العينات السهلة هي تلك التي ترتبط بتفاعلات أقصر وأقل عمقاً، بينما تفتقر العينات الصعبة إلى ذلك وتعتمد على مسارات أعمق.

إن اعتماد CUD كأداة تحليلية جديدة يساهم في دفع تطوير تقنيات تعلم التراجع (Unlearning) بشكل مدروس وأساسه عميق في ميكانيكا النماذج، مما يفتح المجال لتطوير طرق جديدة ومبتكرة لضمان حماية البيانات في عصر يتزايد فيه الاعتماد على الذكاء الاصطناعي بشكل مستمر.