في عالم الذكاء الاصطناعي، تعتبر نماذج التعلم المستمر (Continual Learning Models) هي أحد الحلول التي تسمح للأنظمة بالتكيف والتعلّم من البيانات الجديدة دون أن تنسى ما تعلمته سابقًا. ومع ذلك، فإن هذه النماذج تعاني من مشكلة "النسيان الكارثي" (Catastrophic Forgetting) عندما يتم تدريبها بشكل متتابع على توزيعات بيانات غير مستقرة.

وللتغلب على هذا التحدي، تم الاعتماد سابقًا على تقنيات تنظيم الأوزان (Weight Regularization). ولكن أساليب تنظيم الأوزان التقليدية تعتمد على جزاءات ثابتة وغير مرنة للمساحة الإقليدية، متجاهلةً هندسة الفضاء الريماني (Riemannian Geometry) التي تمثل المعلمات بشكل أفضل.

لذلك، قدّم الباحثون تقنية جديدة تسمى "TMLN" (Navigation Policy) والتي تعد استجابة متطورة لمشكلة النسيان. استناداً إلى مفهوم التحكم الأمثل، يسمح TMLN باستكشاف المناظر الطبيعية للفقد (Loss Landscape) بطريقة تأخذ بعين الاعتبار الهندسة المعقدة للمساحة.

تستفيد TMLN من مصفوفة المعلومات الاستدلالية (Fisher Information Matrix) لتحديد مانيفولد ريماني موضعي، مما يتيح معالجة بيانات التدريب بشكل أكثر كفاءة. ومن خلال نمذجة الميتودولوجيتين التقليدية، يتم تعديل المعاملات بشكل ديناميكي باستخدام التوجه التاريخي للقيم المكانية لمعلمات الشبكة.

تظهر التقييمات التجريبية أن الأسلوب الجديد يقلل بشكل كبير الفجوة في فقدان الأوزان بين المهام المختلفة، مما يثري إمكانيات التعلم المستمر.

من الواضح أن البحث في TMLN يمثل مشروعًا مهمًا في المجال، ويدعو إلى مزيد من الاستكشاف والتفاعل حول تقنيات التعلم المستمر وما يمكن أن تقدمه في المستقبل.