تحت هيمنة الذكاء الاصطناعي وتطوراته المستمرة، يبرز معيار جديد يهدف إلى تحسين أداء وكالات التعلم غير المتصل. نقدم لكم TOUR (Trajectory-level memOrization and Unlearning)، المشروع الذي يعد خطوة ثورية في تقييم إلغاء التعلم من خلال دمج عدة عناصر جديدة.

تتمثل أهمية هذا المعيار في إمكانية تقييم حذف البيانات على مستوى المسار (trajectory) بعد التدريب، وهو ما كان يعد تحديًا معقدًا في السابق. حيث أن تقليل درجة العضوية (membership score) قد يقترح حذف المسار، ولكنه أيضاً يمكن أن يعكس احتفاظاً غير مرغوب فيه للذاكرة أو انهياراً في السياسة (policy) المستخدمة.

يتضمن TOUR تقييم سنحيط به عدة جوانب مثل تقسيم المسارات، وسرِيات تحكم غير الأعضاء المتطابقة، ومراجع إعادة التدريب. كما يوفر المعيار الجديد تدقيقًا شاملاً لخصوصية البيانات، مما يعزز من أداء التعلم بطرق غير مسبوقة.

لقد أظهرنا، عبر تجارب متعددة مثل نقل الحركة والامتداد الاستكشافي لـ AntMaze، أن المنهجيات المستخدمة في عملية الحذف تلعب دورًا كبيرًا في كيفية تقييم خصوصية البيانات وفائدتها. من المثير للاهتمام أنه في العديد من الحالات، تساعد عمليات إعادة التدريب في تعزيز الفائدة المستمرة بدلاً من الارتكاز إلى منهجيات أسبوعية.

علاوة على ذلك، تكشف النتائج أن المؤشرات المستندة إلى احتمال العضوية قد تبالغ في جودة حذف البيانات مما يدفعنا للتفكير بعمق في الآليات المستخدمة للتقييم.

في نهاية المطاف، يمثل TOUR خطوة هامة نحو تعزيز الخصوصية والجودة في وكالات التعلم غير المتصل، مما يفتح الباب أمام أبحاث مستقبلية قد تحدث تغييراً جذريًا في هذا المجال.