في مجال الذكاء الاصطناعي، لطالما كانت دراسة المعالجة الدورانية للمعلومات والتعلم من الدروس التي استخلصتها النماذج مهمة. وقد أظهرت أعمال سابقة أن الشبكات العصبية تمتلك انحيازات ضمنية نحو بنى منخفضة التعقيد، بالإضافة إلى ديناميات التذكر وتأثيرات تشبه الضغط المعاكس خلال فترة التدريب. ومع ذلك، ما زالت الحسابات الديناميكية الموحدة للانتقاء الانتقائي غير مكتملة.

يأتي البحث الجديد ليطرح مفهوم الديناميات المتكررة مع النسيان المستمر (Repeated Reinforcement with Persistent Forgetting - RPF)، وهو إطار بسيط يوضح كيف تساهم التكرارات في تعزيز الأنماط والهياكل التي تتكرر في البيانات، بينما يؤدي النسيان المستمر إلى تقليل المعلومات المكتسبة. يُنظر إلى النسيان هنا ليس كحالة فشل، بل كآلية انتقاء.

يتناول البحث هذا المفهوم عبر ثلاثة مستويات متتالية. الأول هو نموذج مستقل الميزات، حيث تم تطوير قانون بقاء انتقائي يعتمد على التعرض وحدود الاحتفاظ المعتمدة على الدعم، مما يحدد الأنماط التي تستمر في ظل النسيان. الثاني، يتم عرض نموذج التجارة النسبية، يوضح كيف يؤدي النسيان إلى تصفية طيفية عبر الوضعيات التغاير، ما يحافظ على المكونات المشتركة ذات الدعم القوي في حين يتم تجاهل الضعيف.

الثالث، يُظهر كيف تؤدي ديناميات RPF إلى توازن ضمني بين ملاءمة البيانات وتكلفة المعلومات المخزنة، مما ينتج عنه ضغط يشبه الحد الأدنى لوصف المحتوى (Minimum Description Length - MDL).

تُقدم التجارب المسيطرة أدلة تدعم آلية الانتقاء من خلال التعزيز والنسيان في الذاكرات القياسية والشبكات غير الخطية. هذه النتائج مجتمعة تُظهر أن التكرار في التعزيز والنسيان المستمر يوفران مصدرًا يمكن التحكم به للانحياز الاستدلالي يتجاوز بنية الشبكة العصبية وحجمها.