تزداد الحاجة إلى [دمج النماذج](/tag/دمج-[النماذج](/tag/النماذج)) المستمرة (Continual [Model](/tag/model) Merging - CMM) في مجال الذكاء الاصطناعي، حيث تتيح هذه [التقنية](/tag/التقنية) [تخصيص](/tag/تخصيص) [النماذج الأساسية](/tag/[النماذج](/tag/النماذج)-الأساسية) بسرعة وفقًا لمهام جديدة تتوالى بمرور الوقت. يعتبر [دمج النماذج](/tag/دمج-[النماذج](/tag/النماذج)) المستمرة بديلاً قابلاً للتوسع للتدريب المتكرر، مما يوفر الوقت والموارد.

ومع ذلك، واجهت الأساليب الحالية في [دمج النماذج](/tag/دمج-[النماذج](/tag/النماذج)) نقصًا في السيطرة على [تخصيص](/tag/تخصيص) سعة [التعلم](/tag/التعلم) بين القدرات المكتسبة مسبقًا والنماذج المدمجة حديثًا. ولاحظ الباحثون أن هذه [الفجوة](/tag/الفجوة) تؤدي إلى [نسيان](/tag/نسيان) حاد أثناء دمج المهام، خصوصًا في السيناريوهات التي تختلف فيها أهمية المهام.

تنبع هذه المشكلات من كيفية تعامل الأساليب التقليدية مع كل [نموذج](/tag/نموذج) مهمة على أنه نقطة معزولة، وتطبيق تركيبات جبرية ثابتة. بينما، في الواقع، تتطلب [النماذج](/tag/النماذج) المدربة بشكل مستقل تمثيلاً أفضل في [فضاء](/tag/فضاء) المعلمات، مما يتطلب إنشاء انتقال يحترم الأبعاد المتعددة لكل [نموذج](/tag/نموذج).

لذلك، وفقًا لفكرة [تواصل](/tag/تواصل) الوضع (Mode Connectivity)، افترض الباحثون أن [النماذج](/tag/النماذج) المدمجة المرغوبة تقع على مسارات منخفضة الفقد، وأن [الدمج](/tag/الدمج) المستمر يجب أن يتبع هذه المسارات مع تجنب عبور حواجز الفقد التي تؤدي إلى النسيان.

تم [اقتراح](/tag/اقتراح) نهج [جديد](/tag/جديد) يسمى دمج دافع [المعادلات التفاضلية](/tag/[المعادلات](/tag/المعادلات)-التفاضلية) (ODE-M) مصمم خصيصًا لـ CMM. يقوم هذا النهج بتتبع المسارات المتصلة من خلال دمج حقل [سرعة](/tag/سرعة) يعتمد على الزمن وفرض [قيود](/tag/قيود) على الحواجز لمنع خطوات تزيد من الفقد.

أظهرت [التجارب](/tag/التجارب) الشاملة أن ODE-M يحقق أداءً رائدًا مقارنةً بمنافسيه [عبر](/tag/عبر) [معايير](/tag/معايير) CMM الشائعة، مما يعكس الأهمية الكبيرة التي يحملها هذا [الابتكار](/tag/الابتكار) في [مجالات الذكاء الاصطناعي](/tag/مجالات-الذكاء-الاصطناعي).