في عالم الذكاء الاصطناعي، يعد [فهم](/tag/فهم) [سلوك النماذج](/tag/[سلوك](/tag/سلوك)-[النماذج](/tag/النماذج)) ذات المعلمات المفرطة (Over-parameterized [Models](/tag/models)) أمراً أساسياً. [دراسة جديدة](/tag/[دراسة](/tag/دراسة)-جديدة) تتناول الحالة المثيرة للتعايش بين التذكر والتعميم تحت ظروف صعبة، حيث يتم التعامل مع مهام حسابية تتضمن [ضوضاء](/tag/ضوضاء) في التسمية.

خلال [التجارب](/tag/التجارب) المكثفة على [الشبكات العصبية](/tag/[الشبكات](/tag/الشبكات)-العصبية) الثنائية الطبقات، تبين أن [النماذج](/tag/النماذج) الأكبر حجماً تميل إلى [تحقيق](/tag/تحقيق) نتائج عامة أفضل عند اعتماد تكوينات وتحسينات ملائمة. وعلى الرغم من الفوضى التي تسببت بها التسمية الملوثة، فإن [النماذج](/tag/النماذج) تسجل تذكراً أسرع لهذه [البيانات](/tag/البيانات) مقارنة بالبيانات النظيفة.

تشير النتائج إلى أن [النماذج](/tag/النماذج) ذات المعلمات المفرطة تُشكل [هيكلة](/tag/هيكلة) داخلية للتعميم، لكن التعبير عن هذه الهيكلية في المخرجات يقيّد بفعل الحاجة لتناسب [البيانات](/tag/البيانات) الملوثة. لافتة للانتباه، حتى مع وجود 80% من الضوضاء في التسمية، يمكن الوصول إلى [دقة](/tag/دقة) اختبار قريبة من الكمال من خلال استخدام [أساليب](/tag/أساليب) قائمة على التكرار لاستخراج الهيكل الداخلي.

علاوة على ذلك، اقترح الباحثون طريقة مستقلة عن المهمة لتقسيم [الشبكات](/tag/الشبكات) إلى مكونات [التعميم](/tag/التعميم) والتذكر. ومع أن هذا الهيكل الفرعي يحسن التعميم، إلا أنه يظل محدوداً مقارنة باستخراج [البيانات](/tag/البيانات) المعتمد على التكرار. مما يسلط الضوء على أن بنية [التعميم](/tag/التعميم) موزعة [عبر](/tag/عبر) الخلايا العصبية، مما يحفز الحاجة إلى [تطوير](/tag/تطوير) [أدوات جديدة](/tag/[أدوات](/tag/أدوات)-جديدة) لاسترجاع [المعرفة](/tag/المعرفة) القابلة للتعميم من [الشبكات](/tag/الشبكات) ذات المعلمات المفرطة.