في عالم الذكاء الاصطناعي، تعتبر نماذج الرؤية واللغة (Vision-Language Models - VLMs) من بين الأدوات الأقوى، لكنها تواجه تحديات كبيرة عند تنفيذها في العالم الحقيقي، مثل التحولات في توزيعات البيانات. هنا يأتي دور إبداع جديد يدعى ProtoDCS، الذي يهدف إلى تعزيز تكيف هذه النماذج بفاعلية وسلاسة.

تواجه الطرق التقليدية لتكيف الوقت الاختباري (Test-Time Adaptation - TTA) صعوبة في السيناريوهات المفتوحة حيث تتواجد بيانات خارج التوزيع (out-of-distribution - OOD)، مما يجعل النماذج عرضة للأخطاء والتصنيفات الخاطئة. لكنProtoDCS يقترح حلاً فريداً مع آلية فصل ثنائية التحقق والتي تعتمد على نماذج خليط غاوسي probabilistic Gaussian Mixture Model (GMM) لاستبدال الطرق التقليدية الهشة.

تشمل ابتكارات ProtoDCS أيضًا استراتيجيات مرنة لتحديث النماذج التي تأخذ بعين الاعتبار عدم اليقين في البيانات، مما يقلل من التنبؤات المفرطة الثقة ويعزز الأداء العام.

أثبتت التجارب على مجموعات بيانات مثل CIFAR-10/100-C وTiny-ImageNet-C، أن ProtoDCS يحقق أداءً رائدًا في هذا المجال، مما يضاعف دقة التصنيف المعروفة ويعزز مقاييس كشف البيانات غير المعروفة. سيتوفر الرمز البرمجي الخاص بهذه التقنية على GitHub، مما يسهل على الباحثين والمطورين الاستفادة منها.