يعتبر تحسين الكثافة (Sparse Optimization) تحدياً أساسياً في مجموعة واسعة من التطبيقات العملية. ومن الأساليب الشائعة المستخدمة لتحسين الكثافة هي تنظيم (Regularization) λ_p. ومع ذلك، قد تواجه هذه الطريقة عدم استقرار في التحسين بسبب التدرجات غير المحدودة عندما يكون 0 < p < 1.

في ورقة بحثية جديدة، تم تقديم نهج مبتكر لتحسين الكثافة يُعرف بـ ReWA، والذي يعتمد على إعادة التهيئة (Reparameterization)، إضافة إلى التقليل التدريجي للوزن (Weight Decay) ومعدل التعلم التكيفي (Adaptive Learning Rate). يربط ReWA بين تنظيم λ_p، ولكنه يكشف عن مشهد تحسين مختلف يُساعد في تخفيف مشكلات عدم الاستقرار.

تظهر التجارب التي أُجريت على بيانات CIFAR-10 وImageNet مع نماذج ResNets أن ReWA يُحسن من مستوى الكثافة بشكل ملحوظ مقارنةً بأسلوب التنظيم λ_1، مع الحفاظ على دقة الاختبار. هذه النتائج تعزز من أهمية البحث في تحسين الكثافة وتطبيقاته المتزايدة في الذكاء الاصطناعي وتعلم الآلة.