يعتبر تدريب الذكاء الاصطناعي لمواجهة الهجمات (Adversarial Training) أحد أبرز الوسائل الدفاعية ضد الأمثلة الضارة، لكن غالباً ما يواجه مشكلة الإفراط الكارثي في التكيف (Catastrophic Overfitting) في النسخ السريعة منه، حيث انهار صمود النماذج أمام الهجمات متعددة الخطوات على الرغم من أدائها العالي في الخطوات الفردية.

في هذا الإطار، قدم باحثون تقنية جديدة تُعرف بسورا (SORA)، تهدف إلى معالجة هذا القصور من خلال مساهمتين رئيسيتين. أولاً، قاموا بتحديد مفهوم الإفراط في التكيف (Epsilon Overfitting) الذي يظهر عندما تتسبب أحجام وتوجيهات الانحراف الثابتة في تفاقم المشكلة. أظهرت الدراسات أن إدخال تنوع في الانحرافات يمكن أن يحسن من قدرة النماذج على التعميم بشكل كبير عبر هياكل وبيانات مختلفة.

ثانياً، قدموا مقياسًا يُسمى PertAlign (تنسيق الانحرافات) الذي يتنبأ ببدء الإفراط الكارثي من خلال قياس انسجام التدرج عبر مراحل الهجوم، مما يفتح الطريق لتعديلات ذكية في استراتيجيات التدريب.

بفضل هذه الرؤى، تُعرف سورا بأسلوب تدريب يتكيف مع أبعاد الخسارة الجيومتري، حيث تضبط الانحرافات بناءً على خصائص السطح الخساري، مما يجعلها قادرة دائماً على تجنب الإفراط الكارثي، محققة بذلك مستوى عالٍ من القوة والدقة.

تجارب مكثفة على مجموعات بيانات وهياكل متنوعة أثبتت أن سورا تحقق أو تتجاوز قوة الأساليب السابقة، بالإضافة إلى تقديم دقة نظيفة أعلى وكفاءة فائقة.

يمكن للمهتمين الاطلاع على الكود المصدري للتقنية عبر الرابط: https://github.com/SecondOrderAT/SORA.