في عالم الذكاء الاصطناعي، يظل تحسين التعلم العميق من المواضيع الحيوية التي تشغل الباحثين، وخاصةً عندما يتعلق الأمر بطرق جديدة تستطيع أن تعزز من فعالية النماذج. في هذا السياق، ظهر مصطلح "طبيعة ميون" كنموذج ملهم يُعالج مفهوم التطبيع الطيفي (Spectral Normalization) الذي يُثبت عملية تحسين التعلم العميق.

في هذه المقالة، نستعرض دراسة مثيرة لفكرة مطورة عن تحويلات الميون في السياق المثالي الزمني المستمر الذي يلغي الزخم. تمثِّل النماذج العريضة بواسطة قياسات الاحتمالية على مساحة المعاملات، مع بداية من تدفقات المصفوفات المُطَبَّعة.

نقدم هنا مسافات وازستين (Wasserstein distances) الطيفية المأخوذة من معايير معينة على المصفوفات شبه المحددة الإيجابية؛ حيث تمثل معيار "trace norm" النموذج الكلاسيكي $W_2$، بينما يُظهر معيار "operator norm" هندسة الميون.

كما نعمل على تطوير صياغة كانتوروفيتش الثابتة، ونسخ قوية من التكاليف، وتقليصات غاوسية موسعة بناءً على صيغة بوريز، ونثبت التكافؤ بمعايير متزايدة مع صياغة بنامو-برينير. يُعطي ذلك تفسير تدفقات تدرجات تدريب متوسط الميدان.

عبر تجارب عددية، نقدم توضيحات لهذه الاستنتاجات من خلال تدفقات MMD، وتقليصات غاوسية، ونماذج ReLU بطبقتين، واهتمام سطحي. إن فهم هذه الديناميكيات يعد خطوة مهمة نحو تحسين فعالية النماذج في تطبيقات الذكاء الاصطناعي المختلفة.