في خطوة جديدة نحو تطوير تقنيات التعلم المستمر، تم الكشف عن تقنية PLATE (الملحقات القابلة للتعديل بلاستيكية الكفاءة) التي تجسد ثورة حقيقية في التكيف مع المهام الجديدة من خلال الشبكات المدربة مسبقاً. تجمع هذه التقنية بين القدرة على التعلم من دون الاعتماد على بيانات مهام سابقة وحل مشكلة التكيف في نماذج التعلم العميق.

تنبع قوة PLATE من الملاحظة التي توصل إليها الباحثون حول وجود تكرار هندسي كبير في الشبكات المدربة مسبقًا، مما يسمح لهم بالاستفادة منه بطرق تكاملية. على سبيل المثال، توفر الخلايا العصبية الزائدة الوسيلة اللازمة لبناء مساحة تحديث محمية تقريبًا مباشرة من الأوزان المدربة مسبقًا.

علاوة على ذلك، تعتمد PLATE على تقديم تحكم واضح في توازن البلاستيكية والاحتفاظ بالمعرفة عبر قيود معينة تُفرض على مجموعة مختارة من الخلايا العصبية الزائدة. وبهذه الطريقة، يمكن تحقيق تحديثات تقلل من الانجراف الوظيفي مع تحسين ضمانات الاحتفاظ بالقدرة على الأداء عند التعامل مع بيانات المهام القديمة.

PLATE يقوم بتهيئة كل طبقة باستخدام تحديث مُهيكل من الرتبة المنخفضة، مما يجعل الأوزان ثابتة باستثناء تلك الخاصة بالمهمة الجديدة. يمكن العثور على الكود الخاص بهذه التقنية المثيرة على GitHub، ويشحذ المهتمين بمجالات الذكاء الاصطناعي لمزيد من الاستكشاف والإبداع.

هل تعتقدون أن تقنية PLATE ستكون الحل الأمثل للتحديات الحالية في التعلم المستمر؟ شاركونا آراءكم في التعليقات!