في عالم الذكاء الاصطناعي، تعتبر الشبكات العصبية العميقة أحد الأدوات الأساسية التي تم استخدامها لتصنيف البيانات في مختلف المجالات. ومع ذلك، فإن الاستخدام التقليدي لنماذج مثل الشبكة العشوائية العميقة (Deep Random Vector Functional Link - dRVFL) والشبكة العشوائية العميقة التجميعية (Ensemble Deep RVFL - edRVFL) يواجه تحديات كبيرة، خاصة عند التعامل مع بيانات حقيقية تحتوي على ضوضاء وشذوذ. في هذا السياق، تعلن الأبحاث الأخيرة عن تقنيات جديدة تعزز من فعالية هذه النماذج.

تقدم الدراسة الجديدة نماذج مبتكرة تُعرف بالشبكات العصبية العشوائية المدركة للشكوك (Intuitionistic Fuzzy dRVFL - IF-dRVFL وIntuitionistic Fuzzy edRVFL - IF-edRVFL). تتميز هذه النماذج بأنها تأخذ في الاعتبار المعلومات المجاورة للعينات المختلفة من خلال دمج نظرية الشك الغامض، مما يزيد من مرونة النموذج وقدرته على اتخاذ قرارات دقيقة.

يعتمد النجاح الذي تحققه هذه النماذج على حساب درجات العضوية وغير العضوية لكل عينة، حيث تُحسب درجات العضوية بناءً على المسافة بين العينات ومراكز الفئات الخاصة بها، بينما تعكس درجات عدم العضوية تنوع العينات في الجوار.

أجريت تجارب واسعة النطاق باستخدام مجموعات بيانات معيارية مثل UCI وKEEL، ما أظهر تفوق النماذج الجديدة (IF-dRVFL وIF-edRVFL) مقارنة بالأساليب الحالية سواء الغامضة أو غير الغامضة. ولمن يهتم بالتفاصيل الدقيقة، يتوفر الشيفرة المصدرية لهذه النماذج على GitHub.

إن هذه التطورات تعزز قدرة النماذج العصبية على التعامل مع البيئات المعقدة وتحسين أدائها بشكل كبير، مما يفتح آفاق جديدة للبحث والتطبيق في مجال الذكاء الاصطناعي.