في عالم الذكاء الاصطناعي، تعتبر القدرة على فهم العلاقات بين الخصائص والنتائج أساسية لتحقيق النجاح في التطبيقات الحقيقية. بينما تتفوق الشبكات العصبية التقليدية (Neural Networks) في التنبؤ، فإن طبيعتها المعتمدة على الصندوق الأسود تجعلها أقل وضوحًا من حيث العلاقات الوظيفية الأساسية. هنا تأتي الشبكات المعتمدة على كولmogوروف-أرنولد (Kolmogorov-Arnold Networks - KANs) كحل مبتكر، حيث تستخدم دوال تنشيط (Activation Functions) تعتمد على المنحنيات القابلة للتعلم. هذه التقنية لا تساعد فقط في استرداد التمثيلات الرمزية، بل تحافظ أيضًا على أداء تنافسي مذهل.

ومع ذلك، فإن بنية كAN تواجه تحديات فريدة عند تنفيذ عمليات تقليم الشبكة (Network Pruning). إذ أن الطرق التقليدية التي تعتمد على الحجم (Magnitude-based Methods) تصبح غير موثوقة بسبب حساسيتها لتغيرات إحداثيات المدخلات. هنا يبرز الحل الذي نقدمه وهو إطار العمل الجديد المعروف باسم شابKAN (ShapKAN).

شابKAN يعتمد على قيمة شابلي (Shapley Value Attribution) لتقييم أهمية العقد بطريقة غير متغيرة فيما يتعلق بالتحولات. وبخلاف الأساليب التقليدية، يقوم شابKAN بتحديد المساهمة الحقيقية لكل عقدة، مما يضمن تصنيفات أهمية ثابتة بغض النظر عن معلمات المدخلات.

تظهر التجارب الواسعة على مجموعات بيانات مصطنعة وعالمية أن شابKAN يحتفظ بأهمية العقد الحقيقية، بينما يمكّن من ضغط الشبكة بشكل فعال. هذا الاقتراح يعزز مزايا KAN في الفهم، مما يسهل نشرها في بيئات ذات موارد محدودة.

لذا، إذا كنت مهتمًا بتطبيقات الذكاء الاصطناعي التي تتطلب فهماً عميقاً للعلاقات المعقدة، فإن شابKAN قد يمثل الخطوة التالية نحو تحقيق هذا الهدف.