في عالم الذكاء الاصطناعي، تعتبر نماذج الانتشار (Diffusion Models) واحدة من أكبر الإنجازات التقنية، إلا أن تطويرها لم يكن خاليًا من التحديات. طورت تقنية الإزالة العمودية للمواضيع (Orthogonal Concept Erasure - OCE) لمواجهة القيود الكبيرة التي تعاني منها الأساليب السابقة.

الإزالة العمودية تمثل نهجًا مبتكرًا في تصحيح المحتوى غير المرغوب فيه أو غير الآمن ضمن نماذج الانتشار. بينما نجد أن الأساليب المعتمدة على التدريب فعالة، فإن تكاليفها العالية تقيد قابليتها للتوسع. وفي الجهة الأخرى، تقدم الأساليب القائمة على التحرير كفاءة أكبر وسهولة في التطبيق، لكنها تكافح للحفاظ على توازن بين الإزالة الدقيقة للمفاهيم والقدرة التوليدية الإجمالية.

تشير دراساتنا إلى أن قضايا الأداء تعود إلى اعتمادات التحديثات الإضافية، مما يؤثر سلبًا على الاتجاه والحجم والهندسة الزاوية للعصبونات. في ظل هذا، تقدم OCE مفهومًا جديدًا ينطلق من تجسيد هندسي يقوم بتحديث المعلمات بشكل مضاعف بدلاً من إضافي، مما يضمن إزالة دقيقة للمفاهيم مع الحفاظ على حالة العصبونات.

كما تقدم OCE أيضًا أهدافًا على مستوى الفضاء الفرعي للتعامل مع قيود متعددة المفاهيم بشكل أكثر كفاءة. نتائج تجارب الإزالة، التي تمت على مفاهيم فردية ومتعددة، أظهرت تفوق OCE على الطرق الحالية، حيث استطاعت إزالة حتى 100 مفهوم في 4.3 ثانية فقط. هذه الخطوة تمثل علامة فارقة في تطوير نماذج الذكاء الاصطناعي.

إليك مسار الكود الخاص بتقنية OCE للمبرمجين الذين يودون تجربة أو استكشاف المزيد: [https://github.com/HansSunY/OCE]. ما رأيكم في هذه التقنية الثورية؟ شاركونا في التعليقات.