في عالم علوم البيانات، يعد البحث عن بنى الشبكات العصبية المناسبة أمرًا بالغ الأهمية. وفي هذا السياق، يقدم الباحثون إطار العمل Seq103، وهو إطار موحد يعتمد على التطور العصبي (Neuroevolution) لاكتشاف هياكل تسلسلية مدمجة. يجمع هذا الإطار بين أسلوب NEAT ويطور كلاً من الطوبولوجيا والأوزان عبر خوارزميات التطور.

يتضمن Seq103 هيكلًا تطوريًا مشتركًا وآلية اختيار خفية اختيارية. الهيكل المشترك يتضمن تمثيلًا أساسيًا للعقد والاتصالات، وتقييمًا يعتمد على متوسط الخطأ التربيعي لكل فئة (RMSE)، وتطورًا يعتمد على الطفرات مع إعادة دمجٍ على مستوى الفئات، بالإضافة إلى الخصائص النخبوية (Elitism).

أما بالنسبة للآلية الاختيارية المرتبطة بالحالات الخفية، فإنها توسع فضاء البحث باستخدام عقد وهياكل خفية، مما يمكنك من توفير ذاكرة زمنية عند الحاجة إلى استنتاج تكراري خطوة بخطوة.

ميزة التصميم هذه تمكن Seq103 من تطبيق نفس خط أنابيب البحث على كل من تصنيف التسلسل خطوة بخطوة (Step-wise recurrent) وتصنيف التسلسل العيني (Sample-wise feedforward). في المهام التكرارية، يتم تمكين الامتداد المرتبط بالحالات الخفية لتوفير ذاكرة زمنية؛ بينما في المهام العينية، يتم تعطيله مع بقاء الهيكل التطوري المشترك بدون تغيير.

تم تقييم Seq103 على 8 مجموعات بيانات لتصنيف النصوص وعلى المرجع الكامل UCRArchive2018 الذي يحتوي على 128 مجموعة بيانات زمنية أحادية. ووفقًا للنتائج، يحتفظ Seq103 بمتوسط دقة يصل إلى 86.96% من أفضل الأداء السابق على المهام الخطوة بخطوة مع استخدام عدد أقل من المعلمات بنسبة تتراوح بين 34.6x إلى 3218.0x. أما بالنسبة للمهام العينية على المرجع الكامل، فهو يحتفظ بـ 81.95% من أداء النقاط المرجعية الأفضل بينما يستخدم عددًا أقل من المعلمات بنسبة تتراوح بين 11.8x إلى 160,601.0x.

سيساهم هذا الإنجاز في تعزيز كفاءة البحث عن الهياكل العصبية المثالية، ويعد خطوة جديدة نحو استفادة أكبر من الذكاء الاصطناعي في مختلف المجالات.

هل أنتم متحمسون لاكتشاف كيف يمكن أن يعود Seq103 بالفائدة على مشاريعكم في الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!