في الوقت الذي يزداد فيه الاهتمام بفهم كيفية نسيان البيانات في تقنيات التعلم الآلي، ظهرت دراسة جديدة تحمل في طياتها اكتشافات مثيرة حول نماذج الرؤية (Vision Models) [[arXiv:2605.20282v1]].

تُظهر هذه الدراسة، التي تُعرف باسم "Mirage"، إطار عمل خاص بالتحقق من النسيان على مستوى التمثيل. يهدف هذا الإطار إلى تقييم كيفية نسيان النماذج للبيانات من خلال أربعة تشخيصات تكاملية:
1. استعادة المسبار الخطي (Linear Probe Recovery - LPR)
2. توافق النواة المركزية (Centered Kernel Alignment - CKA)
3. تقييم تمايز الميزات (Feature Separability Scoring)
4. تحليل استعادة الطبقات (Layer-Wise Recovery Analysis)

عبر تجارب أجريت على سبعة مجموعات بيانات وسبعة أساليب أساسية تتبع بروتوكولات التعلم العمودي، أبرزت دراسة "Mirage" ثلاث نتائج رئيسية:

1. **فجوة النسيان**: النماذج التي تمر بشهادات على مستوى المخرجات لا تزال تحتفظ بهياكل فئوية كبيرة في تمثيلاتها، حيث يتجاوز LPR الأساس المُعاد تدريبه بنحو 15.4 نقطة. كما أظهرت فحوصات CKA أن هذه النماذج تبقى هيكلياً أقرب إلى الأصل مقارنة بالإعادة التدريبة.

2. **ثلاثية النسيان**: لا توجد طريقة حالية تحقق في آن واحد مستوى عالٍ من الكفاءة، والنسيان على مستوى المخرجات، والنسيان على مستوى التمثيل.

3. **عدم التناسق على مستوى الفئات والعينات**: النسيان على مستوى الفئات يترك آثارًا تمثيلية قوية تصل إلى 97% وفقاً لـ LPR، بينما النسيان على مستوى العينات يظل غير مرئي (حوالي 50% في LPR). كما أظهر التحليل الطبقي أن المعلومات الفئوية تستمر في الوجود عبر أعماق الشبكة.

تدعو هذه الاكتشافات إلى ضرورة تطوير معايير تقييم واعية بالتمثيل في أبحاث التعلم الآلي المفقود. هل تفكرون في تأثير ذلك على مستقبل تقنيات الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!