يعتبر تعلم نشط ذاتي البرودة (Cold-Start Active Learning - CSAL) واحدًا من التحديات الأكثر إثارة في مجال الذكاء الاصطناعي، حيث يهدف إلى اختيار مجموعة قيمة من البيانات غير المعلومة دون الاعتماد على معرفة سابقة أو مساعدة بشرية. تتمحور الأساليب الحالية حول مفاهيم مثل الأنموذجية والتغطية والتنوع، حيث تستند كل واحدة منها إلى انحياز استنتاجي خاص، مما يؤدي إلى أداء جيد في بعض المهام وضعيف في مهام أخرى.

لذا، تصب الدراسة الجديدة اهتمامها في عدم تصميم أسلوب اختيار جديد فقط، بل في جعل CSAL يتكيف تلقائيًا مع البيانات والمهام المعنية. للقيام بذلك، تم إعادة النظر في CSAL من خلال عدسة النقل الأمثل (Optimal Transport). أولاً، تم اقتراح إطار نقل عام للكشف عن هيكل تخصيص مشترك بين الأساليب الحالية، وهو ما يتجاوز التعبيرات التمثيلية المعروفة.

ثانيًا، تم تقديم تحليل نظري يوضح التوازن الذي تتحكم فيه تنظيمات الانحدار الانتروبي وينشئ حدًّا دقيقًا لاختيار النقاط الباردة. توفر هذه النتائج أساسًا منهجيًا لتكيف قوة التنظيم مع البيانات غير المعلومة.

ثالثًا، تم وضع قاعدة تنظيمية تعتمد على البيانات وطرح خوارزمية CSAL جديدة تعتمد على طريقة Sinkhorn، تُسمى الاختيار التكيفي (ε-Adaptive Selection - ε-AS). تمت التجارب على ستة مجموعات بيانات عامة وميزانيات توضيحية متعددة، حيث أثبتت ε-AS أنها تحقق أداءً يتجاوز الأساليب الأخرى، بما في ذلك تحسين دقة الأداء بنسبة 1.29% على ImageNet-1k بينما تقلل وقت الاختيار بمعدل 56.2%.

تُعد هذه النتائج بمثابة قفزة مهمة في تحسين تجربة تعلم الآلة، وتفتح آفاقاً جديدة بأدوات ومنهجيات قد تؤثر بشكل كبير على مستقبل الذكاء الاصطناعي.