تخفيض السياق باستخدام نظرية الألعاب: إطار مبتكر لإعادة تصنيف السياقات وتحسينها

في عالم الذكاء الاصطناعي، تعد أنظمة توليد النصوص المدعومة بالاسترجاع (Retrieval-Augmented Generation - RAG) من الأدوات الأساسية التي تُستخدم لتحسين فعالية البحث والردود. ومع ذلك، ما زالت الأطر التفسيرية الموحدة غير مستكشفة بالشكل الكافي. ولتلخيص اختناقات البحث، قدمت دراسة حديثة تخفيض السياق شابلي (Shapley Context Pruning - SCP) كإطار مبتكر يعالج هذه المشكلة.

يتناول هذا الإطار الحديث من منظور نظرية الألعاب التعاونية، حيث يتم تمثيل السياقات كألعاب تعاونية. يتيح ذلك تقييم أهمية المعلومات بالنظر إلى توازن التمثيلات الدقيقة والخشنة. من خلال الاعتماد على هندسة Deep Sets، يوفر النظام تقريبًا لوظيفة قيمة غير قابلة للتغيير بشكل متسلسل على مستوى الجمل، مستفيدًا من نماذج اللغة المدربة مسبقًا كوسيلة لترميز الجمل.

لتعزيز فعالية الدورة التدريبية والتوقع، تم استخدام تقنية أخذ العينات من مونت كارلو، مما يوفر حدود خطأ نظرية وضمانات تعقيد العينة للحفاظ على تصنيفات أعلى K. بالإضافة إلى ذلك، تشمل التجارب التي أُجريت في إطار البحث تقييمات لمعلومات استرجاع الجملة، واختبارات Needle-in-the-Haystack (NIAH)، والأجوبة على الأسئلة الطويلة Reasoning QA، بالإضافة إلى دراسات تفصيلية حول جودة الترميز وإستراتيجيات النقاط.

أظهرت النتائج أن النموذج يحقق أداء تنافسي في المهام ذات الصلة بالأسئلة والأجوبة مقارنة بأسس قوية موجودة، مما يعكس قدراته العالية في معالجة المعلومات بدقة.