في مجال الذكاء الاصطناعي، تحظى وحدات الترميز التلقائية النادرة (Sparse Autoencoders - SAEs) بشعبية كبيرة، حيث تقوم بفرز تفاعلات النموذج إلى ميزات يمكن تفسيرها. وقد أثبتت هذه الوحدات فعاليتها خصوصًا في توجيه نماذج اللغة الكبيرة (Large Language Models) بكفاءة. ومع ذلك، تثير المناهج التقليدية لعملية اختيار الميزات من خلال استخدام الفلاتر العلوية استفسارات حول جدواها.

يستند معظم الطرق الحالية لاختيار الميزات على فرضية بسيطة: كلما كان التقييم الإحصائي للميزة أعلى، كان تأثيرها في التوجيه أكبر. لكن الدراسات الجديدة تشير إلى أن هذه الفرضية لا تكون دائمًا صحيحة، مما يؤدي غالبًا إلى اختيار ميزات دون المستوى. على ما يبدو، قد تكون الميزات الفعالة منتشرة ضمن مجموعات متشابهة دلاليًا، ولكنها تختلف إحصائيًا في مجموعة تفاعلات النموذج، مما يؤدي إلى تجاهل ميزات هامة.

لتجاوز هذه المشكلة، نقدم في هذا البحث أسلوبًا جديدًا يُسمى "اختيار الميزات المتكاملة المجاورة" (Neighbor Integrated Feature Selection - NIFS). تعتمد هذه الطريقة على التشابه التمثيلي بين الميزات لتعزيز عملية الاختيار. من خلال تقييم "NIFS" على مجموعة من طرق توجيه SAE والمهام المختلفة، أثبتنا أنها تحقق مكاسب أداء متسقة مقارنةً بطرق الاختيار التقليدية.

هذا الابتكار يشير إلى مرحلة جديدة في توجيه المركبات والأنظمة. كيف يمكن أن تؤثر هذه التقنية في تحسين دقة وسرعة الطائرات الذاتية القيادة أو حتى أنظمة المساعدة على القيادة؟ دعونا نتفاعل ونتبادل الآراء في التعليقات.