في عالم الذكاء الاصطناعي السريع التطور، أثبت التعلم الآلي القابل للنسيان (Machine Unlearning) نفسه كأحد التوجهات الحديثة التي تسعى إلى إزالة تأثير بيانات التدريب المحددة من نموذج مدرب، بينما تحافظ على أدائه الجيد مع باقي البيانات. وبالرغم من أن الأبحاث السابقة ركزت بشكل رئيسي على إعدادات المهام الواحدة، فإن النماذج الحديثة غالبًا ما تعمل في بيئات متعددة المهام (Multi-Task Settings) تستخدم نفس المعلمات الأساسية.

تسبب إزالة الإشراف لمهمة واحدة أو حالة معينة في تأثيرات غير مقصودة قد تؤثر على مهام أخرى. هنا، نقدم مفهوم التعلم غير القابل للنسيان في بيئات متعددة المهام من خلال إعدادين:
1. **إزالة المهام الكاملة (Full-Task Unlearning)**: حيث يتم حذف مثيل مستهدف من جميع المهام.
2. **إزالة المهام الجزئية (Partial-Task Unlearning)**: حيث يتم حذف الإشراف فقط من مهام مختارة.

تشير الأبحاث إلى أن المعلمات المشتركة تؤدي إلى تقارب بين مجموعتي النسيان والاحتفاظ، مما يسبب تداخلًا على مستوى المهام للمهمات غير المستهدفة وتداخلًا على مستوى الحالات الأخرى. لمواجهة هذه المشكلة، قدمنا إطار عمل واعٍ للتداخل، يجمع بين الإسقاط التدرجي المراعي للمهام (Task-Aware Gradient Projection) والذي يقيد التحديثات ضمن فراغات المهام المحددة، مع توحيد التدرجات على مستوى الحالات (Instance-Level Gradient Orthogonalization) الذي يُقلل من النزاعات بين إشارات النسيان والاحتفاظ.

أظهرت التجارب على معيارين للرؤية الحاسوبية متعددة المهام عبر خمسة مهام أن أسلوبنا يحقق التعلم غير القابل للنسيان بفعالية، مع الحفاظ على قوة التعميم، حيث أدت النتائج إلى تقليل مؤشر تداخل المهام (UIS) مقارنة بأقوى المعايير بنسبة 30.3% في إزالة المهام الكاملة و52.9% في إزالة المهام الجزئية.

لذا، مع هذه التطورات، كيف ترون مستقبل التعلم الآلي القابل للنسيان في التطبيقات المتعددة المهام؟ شاركونا في التعليقات.