تُعتبر مقاومة التهديدات في مجال الرؤية الحاسوبية أحد التحديات الكبرى التي تواجه الباحثين والمطورين. حتى الآن، كانت معظم الطرق المعتمدة تعتمد على التدريب العدائي (Adversarial Training) أو تنقية الهجمات في وقت الاختبار، وكلاهما يضيف تكلفة حسابية كبيرة جراء توليد أمثلة عدائية خلال فترة التدريب.

ولكن ماذا لو كان بالإمكان تحقيق مقاومة تجريبية دون الاعتماد على الطرق التقليدية؟ هذا ما حاولت الدراسة الجديدة تقديمه من خلال استكشاف طريقة مبتكرة تُدعى التعلم التنبؤي المتذبذب (Oscillatory Predictive Learning - OPL).

تعتمد هذه الطريقة على إطار عمل من مرحلتين يجمع بين الخلايا العصبية الاهتزازية الاصطناعية (Artificial Kuramoto Oscillatory Neurons - AKOrN) والتدريب الذاتي التنبؤي من خلال X-PhiNet. من خلال استخدام نقاط بداية عشوائية للمتذبذبات، قام الباحثون بمقارنة النتائج مع طرق أخرى للدفاع العدائي التي تقدم بروتوكولات هجوم متينة ودقيقة.

أثبتت التجارب التي أجريت على مجموعات بيانات CIFAR-10 وCIFAR-100 أن طريقة OPL تحقق نتائج تنافسية تحت بروتوكول تقييم AutoAttack-rand، حيث حققت دقة مقاومة بلغت 76.63% و50.44% على التوالي.

تفتح هذه النتائج آفاقاً جديدة أمام تطوير استراتيجيات ذكية أكثر كفاءة في مواجهة التهديدات، مما يُشير إلى مستقبل واعد في مجال الذكاء الاصطناعي. هل تعتقد أن هذه الطريقة ستحدث ثورة في آليات الدفاع عن النماذج؟