إن مفهوم الشفافية الداخلية في الذكاء الاصطناعي لا يزال يشكل تحدياً هاماً، خاصة في المشاريع التي تعتمد على الشبكات العصبية متعددة الطبقات (MLPs) وتحتاج إلى إعادة تدريب ديناميكي ضمن بيئات تحسين. في دراسة جديدة، تمحور البحث حول كيفية تمثيل هذه الديناميكيات في فضاءات غير إقليدية من خلال استخدام نموذج بوانكاريه (Poincaré) للهندسة الزائديه.

الهدف الرئيسي من هذا البحث هو التقاط التطور الهندسي للتوبولوجيا الموزونة والتنظيم الذاتي للشبكات العصبية مع مرور الوقت. بدلاً من تحليل النقاط الفردية كما هو معمول به في أساليب الشفافية القياسيه، تم إنشاء ما يُعرف بـ "رسوم بيانية زمنية للمعلمات"، التي تمثل لقطات عبر فترات زمنية في خطوات عملية التدريب.

هذه الرسوم البيانية تعكس الرؤية التي تؤكد أن الشبكات العصبية لا تخزن المعلومات فقط في أوزانها، بل أيضاً في المسار الذي يتبعه التدريب. ومن خلال الاستفادة من فكرة أن العديد من الشبكات المعقدة يمكن أن تُدرج في فضاءات مدمجة مخفية حيث تتناسب المسافات مع احتمال الاتصال، يقدم البحث إطار عمل تعليمي ديناميكي قائم على الرسوم البيانية الهندسية والزمنية.

يعتمد النموذج على تضمين الرسوم البيانية الزمنية للمعلمات في نموذج بوانكاريه، مما يسمح له بالتعلم من هذه البيانات مع الحفاظ على التكافؤ ضمن تبديلات الخلايا العصبية داخل اللقطة. تشير التجارب على مهام الانحدار والتصنيف للشبكات المدربة إلى أداء قوي للأنظمة الفرعية، مع تقديم تمثيلات زمنية زائديه.

هذه الرؤية الجديدة تكشف كيف تنشأ هيكلية الشبكة مع مرور الزمن تحت ظروف تدريب معينة، مما يمنحنا فهماً أعمق لتنظيم الشبكات العصبية ذات الطبقات المتعددة.