تعتبر طرق النواة (Kernel Methods) واحدة من أبرز الأساليب المستخدمة في الذكاء الاصطناعي، حيث تتمتع بموثوقية نظرية وأداء تجريبي قويين. ولكن، التكلفة العالية في الحسابات تجعل من الصعب تطبيقها على مجموعات البيانات الضخمة.

لذلك، تسعى مجموعة من الأبحاث إلى معالجة هذه التحديات من خلال استخدام معيار التباين الأقصى (Maximum Mean Discrepancy) لبناء مجموعات تمثيلية تحتفظ بخصائص مجموعة البيانات الكاملة ضمن فضاء هيربرت النوي (Reproducing Kernel Hilbert Space). في هذا السياق، تم تقديم خوارزمية مبتكرة تُدعى "Backward Kernel Herding"، التي تتعامل مع هذه القضية عن طريق إزالة النقاط من مجموعة البيانات بشكل تدريجي.

تظهر نتائج الأبحاث أن "Backward Kernel Herding" تحقق أداءً يُضاهي الأساليب الرائدة الحالية، مع تسريع عملية الاختزال في السيناريوهات الواقعية حيث يكون الحجم المخفض أقل من نصف مجموعة البيانات.

علاوة على ذلك، تم تجاوز أحد القيود التي تواجه تخفيف النواة (Kernel Thinning) من خلال اقتراح تطوير يسمح ببناء مجموعات ذات أحجام عشوائية، بدلاً من التقيد بنصف الحجم بشكل متكرر. تمت مقارنة الأداء بشكل موسع مع الإجراءات الأكثر أهمية في تعلم النواة، مثل العمليات الجاوسية (Gaussian Processes) وآلات الدعم النوي (Kernel Support Vector Machines).

تعكس النتائج أن "Backward Kernel Herding" تحقق أداءً تنافسياً باستمرار في كفاءة وقت التدريب، بينما يُظهر "Flexible Kernel Thinning" غالباً أفضل أداء تنبؤي. تسلط هذه النتائج الضوء على فوائد دمج المعلومات المشروطة في عملية التخفيف، مما يجعلها أكثر وضوحًا عندما نتحدث عن معدلات ضغط معتدلة. في جانب استهلاك الذاكرة، ينافس "Flexible Kernel Thinning" أيضاً، بينما تظل "Backward Kernel Herding" خياراً فعّالاً عندما تكون الكفاءة الحسابية هي الهدف الأساسي.

في النهاية، لا يوجد أسلوب يهيمن على جميع السيناريوهات، مما يبرز أهمية اختيار استراتيجية التخفيض بناءً على التوازن المطلوب بين الأداء التنبؤي، تكاليف التدريب، ومتطلبات الذاكرة.