لقد أصبحت الخسارة عبر الانتروبيا المتقاطعة (Cross-Entropy Loss) الخيار القياسي لتدريب الشبكات العصبية العميقة لسنوات عدة. ومع ذلك، تترافق هذه التقنية مع قيود من حيث القابلية للتفسير، وزيادة غير محدودة في الأوزان، وكفاءة ناقصة قد تؤدي إلى تكاليف تدريب مرتفعة. هنا يأتي دور الخسارة التوافقية (Harmonic Loss) كبديل قائم على المسافة والذي يُحسن من قابلية التفسير ويخفف من ظواهر مثل "التفكير المتأخر" أو التأخير في التعميم على مجموعة الاختبار.

رغم ذلك، لا تزال دراسة الخسارة التوافقية ضيقة، حيث تركز فقط على المسافة الإقليدية ولم تُجْرَ تقييمات منهجية لكفاءة الحوسبة أو الاستدامة. في هذه الدراسة الجديدة، قمنا بتوسيع نطاق الخسارة التوافقية من خلال دراسة شاملة لمجموعة متنوعة من مقاييس المسافة كبدائل للمسافة الإقليدية.

لقد أجرينا تقييماً شاملاً للخسائر التوافقية المخصصة للمسافات على كل من هياكل الرؤية والنماذج اللغوية الكبيرة. وقد أُطر تحليلنا حول تقييم ثلاثي لأداء النموذج، قابلية التفسير، والاستدامة. في مهام الرؤية، أثبتت مسافات الزاوية (Cosine Distances) أنها تقدم أفضل توازن بين الدقة وتقليل انبعاثات الكربون، بينما تعزز كل من Bray-Curtis وMahalanobis من قابلية التفسير بتكاليف كفاءة متباينة.

أما بالنسبة للنماذج اللغوية، فقد حسّنت الخسائر التوافقية المعتمدة على الزاوية من استقرار التدرجات والتعلم، وعزّزت من هيكل التمثيل، وقللت الانبعاثات مقارنةً بخسارة الانتروبيا المتقاطعة و"الرؤوس" الإقليدية. يمكنكم الاطلاع على شفرتنا المصدرية هنا: [رابط شفرة الدراسة](https://anonymous.4open.science/r/rethinking-harmonic-loss-5BAB/). ما رأيكم في هذا التطور المثير؟ شاركونا في التعليقات!