في عالم الذكاء الاصطناعي، تتزايد أهمية التعديل الذاتي في المنظومات كالتعلم الآلي الآلي (AutoML) بحثاً عن بنى الشبكة العصبية وتحديد الأداء الأمثل. لكننا نواجه تحدياً كبيراً؛ إذ لا توجد أطر عمل حالية تضمن إجراء هذه التعديلات بشكل آمن. وهنا تبرز **آلات جودل** (Godel Machines) كحل، حيث تستند إلى ضرورة الإثباتات الرسمية للتحسين قبل إعادة كتابة الأكواد. ومع ذلك، فإن الحصول على هذه الإثباتات في البيئات العشوائية عالية الأبعاد كانت ولا تزال مهمة صعبة للغاية.

لذلك، نقدم لكم **آلة جودل الإحصائية** (Statistical Godel Machine - SGM)، التي تعد الأولى من نوعها لتوفير طبقة أمان إحصائية للتعديلات الذاتية. يقوم SGM بإحلال متطلبات الإثبات القائمة على الأدلة باختبارات ثقة إحصائية (e-values، حدود هوفدينغ)، مما يسمح بالتعديل فقط عندما يتم التأكيد على التفوق عند مستوى ثقة معين. بالإضافة إلى ذلك، يتم تخصيص ميزانية خطأ عالمية لتقييد المخاطر التراكمية على مدى الجولات.

كما نقترح **صرف هارموني مصحوب بالتأكيد** (Confirm-Triggered Harmonic Spending - CTHS)، والذي ينظم الإنفاق بحسب أحداث التأكيد بدلاً من الجولات، مما يركز ميزانية الخطأ على التعديلات الواعدة مع الحفاظ على صحة العائلات بشكل عام.

تظهر التجارب في مجالات التعلم الخاضع للرقابة، التعلم التعزيزي، وتحسين الصناديق السوداء قدرة SGM على تقديم تحسينات حقيقية، حيث يعزز SGM فعلياً المكاسب على مجموعة بيانات **CIFAR-100**، ويرفض التحسينات الكاذبة على **ImageNet-100**، ويظهر قوة على معايير التحسين والتعلم التعزيزي.

تجتمع هذه النتائج لتوفير بنية تحتية أساسية للتحسين الذاتي المدفوع بالوعي بالمخاطر في أنظمة التعلم. للمزيد من التفاصيل، يمكنك زيارة الكود المتاح على GitHub. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!