يعد فهم التفاعلات غير الخطية بين الميزات أمرًا حيويًا في العديد من مجالات العلوم والهندسة. ومع ذلك، غالبًا ما تلتقط الشبكات العصبية التقليدية، مثل الشبكات متعددة الطبقات (MLPs)، هذه التفاعلات بشكل غير مباشر، مما يؤدي إلى تمثيلات معقدة قد تؤثر سلبًا على القوة التفسيرية للنتائج.

تقدم دراسة جديدة عن الشبكات المتبقية ذات وحدات المنتج (PURe) النهج الأمثل لكسر هذه القيود. تأخذ هذه الشبكات في الاعتبار التفاعلات المتعددة بين الميزات من خلال دمج وحدات المنتج مع الروابط المتبقية، مما يزيد من استقرار عملية تحسين النماذج.

تمت إجراء تقييم منهجي على مجموعة بيانات اصطناعية مدفوعة بالتفاعل، بالإضافة إلى مجموعتي بيانات حقيقية، لقياس الدقة التنبؤية والقدرة على التحمل تجاه الضجيج الميزاتي، فضلًا عن الأداء تحت قيد بيانات التدريب المحدودة. حيث تمت مقارنة الأنواع المختلفة لهذه الشبكات بالنسخ المعقدة والقيم الحقيقية تحت ميزانية معايير متطابقة.

بجانب الأداء، أظهرت التحليلات القائمة على تفسيرات شابلي (SHAP) أن الشبكات المتبقية ذات وحدات المنتج تتعلم أنماط تفاعلية أكثر تركيزًا وتماسكًا بشكل هيكلي مقارنة بأساسيّات شبكات MLP.

بشكل عام، تجسّد الشبكات المتبقية ذات وحدات المنتج (PURe) حقبة جديدة في علم البيانات، حيث تحقق أداءً تنافسيًا أو محسّنًا، بالإضافة إلى تعزيز القدرة على التحمل وكفاءة استخدام العينات في بيئات البيانات المنخفضة، مع تحسين التفسير على مستوى التفاعلات.