في عالم الذكاء الاصطناعي، يعد إلغاء المعرفة (Machine Unlearning) من التقنيات الحيوية التي تساهم في ضمان سلامة وكفاءة نماذج جنرال آي (GenAI). ورغم أن الأساليب الحالية لإلغاء المعرفة تقدم نتائج فعالة، إلا أن معظمها يواجه تحديات في زمن التدريب والتكاليف الحسابية.

تستند مشاكل هذه الأساليب إلى تحديثات متجهات gradient غير الموجهة بشكل صحيح، مما يؤدي إلى تقليل كفاءة التدريب وعدم استقرار التقارب. تقنيتنا الجديدة، PECKER، تأتي كحل مبتكر لمثل هذه المشكلات، مقدمة نموذجًا أكثر فعالية لإلغاء المعرفة.

تعتمد PECKER على إطار التقوية (distillation framework)، حيث تستخدم قناع الاهتمام (saliency mask) لتحديد أولويات التحديثات للمعلمات التي تسهم بشكل أكبر في نسيان البيانات المستهدفة. هذا الأسلوب يقلل من الحسابات غير الضرورية ويختصر زمن التدريب دون التأثير على فعالية عملية الإلغاء.

بفضل هذه المزايا، تتمكن PECKER من إنتاج عينات تنسى الفئات أو المفاهيم بسرعة أكبر، بينما تتماشى مع توزيع الصور الحقيقي على مجموعات البيانات مثل CIFAR-10 وSTL-10، كما تسجل أوقات تدريب أقصر للإلغاء سواء للفئات أو للمفاهيم.

إن PECKER تمثل نقلة نوعية في كيفية تعاملنا مع مشاكل إلغاء المعرفة في الذكاء الاصطناعي، مما يفتح آفاقًا جديدة في أمن البيانات وأخلاقياتها.

ما رأيكم في هذه التطورات؟ شاركونا في التعليقات!